日常二天

1)二分

Points in Segments 大意:在单调的数组中计算符合标准的数的个数。
点击打开链接
#include<stdio.h>
int a[100009];
int p1 , p2 ;
int fen1(int size,int p1){
	int l = 0 , r = size - 1 ;
	int g = -1; 
	while( l<=r ){  //找到大于等于p1的数组下标;
		int mid = r - ( r - l )/2 ;
		if ( a[mid] < p1 ) l = mid + 1;
		else {
			r = mid - 1;
			g = mid;  //记录下符合标准的最小下标。
		}
	}
	return g;  //如果返回值为-1,说明p1比数组中的数都大,所以数组中一定没有符合标准的数。
 }
int fen2(int size,int p2){
	int l = 0 , r = size - 1 ;
	int g = -1;
	while( l<=r ){  //找到小于等于p2的数组下标
		int mid = r - ( r - l )/2 ;
		if (a[mid] > p2 ) {
			r = mid - 1;
		}
		else {
			l = mid + 1;
			g = mid;  //记录下符合标准的最大下标。
		}
	}
	return g;
}
int main(){
	int T;
	scanf("%d", &T);
	for(int k = 1; k <= T; k++ ){
		printf("Case %d:\n", k );
		int n , m ;
		scanf("%d %d", &n, &m );
		for(int i = 0; i < n ; i++ ){
			scanf("%d", &a[i] );
		}
		while(m--){
			scanf("%d %d", &p1, &p2);
			if((fen1( n , p1 )!=-1)&&(fen2( n , p2 )!=-1)){
				printf("%d\n", fen2( n , p2 ) - fen1( n , p1 ) + 1);
			}	
			else
				printf("0\n");
		}
		
	}
}

点击打开链接

Values whose Sum is 0 大意:有四个数组,从中分别选择一个数,计算四个数和为0的个数。

#include<cstdio>
#include<algorithm>
using namespace std;
int ab[16000000],cd[16000000];
int p;
int fen(int size,int p){
	int l = 0 , r = size - 1 ;
	int g = 0;
	while( l<=r ){
		int mid = r - ( r - l )/2 ;
		if ( cd[mid] + p==0 ){  //计算所有和为0的个数。
			for(int i = mid;i<=r;i++){
				if(cd[i] + p!=0) break;
				g++;
				//printf("%d %d\n",cd[i],p);
			}
			for(int i = mid-1;i>=l;i--){
				if(cd[i] + p!=0) break;
				g++;
				//printf("%d %d\n",cd[i],p);
			}
			return g;
		}
		else if ( cd[mid] + p < 0 ) l = mid + 1;
		else if ( cd[mid] + p > 0 ) r = mid - 1;
	}
//	printf("***%d\n",g);
    return g;

	
}

int main(){
	int n;
	scanf("%d", &n );
	int a[4000],b[4000],c[4000],d[4000];
	for(int i = 0; i < n ; i++ ){
		scanf("%d%d%d%d", &a[i], &b[i], &c[i], &d[i]);
	}
	int ij = 0;
	for(int i = 0; i < n; i++ ){
		for(int j = 0; j < n; j++ ){
			ab[ij] = a[i] + b[j];
			cd[ij] = c[i] + d[j];
			ij++;  //个数 
		}
	}
	int ans = 0;
	sort(cd,cd+ij);
	for(int i = 0; i < ij; i++ ){   //对ab数组中的每一个数进行二分。
		ans += fen( ij , ab[i] ); 
	}
	printf("%d\n",ans);
}




深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值