回忆录

终究是退役了。
也许前面在THUWC、WC和APIO的失利就是很直接的预兆了吧。
实力还是在集训队的边上徘徊,一次失误就可以终结自己的OI之路。

还记得初一第一次接触信息学竞赛。那时懵懂的我对这门竞赛还不是很了解,看到老师发的通知,出于兴趣加入了培训班。

不知道为什么,那时的记忆分外鲜明。

我还记得第一次修改老师展示的a+b代码中的参数位置成功后的喜悦,还记得那时刷得滚瓜烂熟的过关练习题,还记得在家里研究怎么使用dev-cpp写程序,最后千辛万苦通过添加编译器解决了问题。

那时我特别聪明,老师布置了任务之后,大家都是重新写一个程序,而我却只是修改一下之前写的代码以完成目标,所以总是第一个完成。

初二的时候,我们来到了一中和当时的高一同学一同训练。之后的记忆便是不断地刷题、考试、刷题、考试。做过的题,考过的试,都已经记不太清了,唯有那几次大考还历历在目。

初二的时候,2014年,第一次参加NOIP,直接参加的提高组比赛。
当时的自己连邻接表都不会,存图只会使用邻接矩阵,惟一会的图论算法还是在去考场的路上学习的floyed。于是两道图论题都只会暴力,那时的自己还沾沾自喜。没有接触过dp,所以看着愤怒的小鸟只能干瞪眼。没有学过数论,所以解方程那个题目只能写高精度骗分。最终只拿到一个提高二等,不过当时也很满足。

参加了那年的省选,因为未知原因只去了day2。看到落忆枫音的时候整个人都被震惊了,觉得自己不是在考试而是在看小说。

初三总算进步了一点,但还是连二分答案都不会,只会一些简单的dp,所以拿到了320分,勉强踩线提高一等。

现在对那个时期最清晰的记忆,就是不断地学,不断地被虐。高二年级的ysp给我们上课,我总是一头雾水,而同年级的xcc却总是用我不能理解的智商与ysp交流。几乎每场考试,xcc都领先我很多分,可我却完全无法搞懂他的做法。

最令我难忘的是,参加NOI同步赛的时候,我完全忘记了它的存在,day1直接睡了过去,没有参加。

进入高一之后,自己的智商有了长足的进步,开始可以琢磨那些高难度的算法。
那年的NOIP,虽然还是不会很多东西,但是已经会分析复杂度,知道怎么打暴力,于是拿了480分,并且打算冲省队。可惜省选的时候套路掌握得不够多,每道题都只会暴力,最终遗憾落选。

但因为NOIP分够高,我完整地参加了除了NOI之外的OI系列赛事——WC、THUWC以及APIO和CTSC。被虐了一圈的我深感自己的渺小,于是更加努力学习。

终于进入高二。因为水平不够高,NOIP只拿到了525分,并没有很大优势。自信满满的我参加了THUWC,虽然进入了面试但是什么约都没有签到。

接着就是WC,因为执着于写第三题的正解,导致没有写第一题的暴力,第二题也只写了暴力,而正解的第三题也被卡常甚至不如暴力,最后铜牌滚粗。

迎接省选。两天全部暴力,最后堪堪踩线省队。

考完这些比赛之后,我开始认识到自己的考试策略有问题,思考怎样才能发挥出自己的水平。于是,CTSC我拿到了金牌。但由于day2的时候发烧影响了状态,APIO没有精神,成功胸牌滚粗。

为了备战NOI,我参加了省队集训和雅礼集训。其间状态不错,数次进入前三,对自己的实力有了信心。

终于到了NOI。考试的前一天晚上,我辗转反侧,思考着第二天的策略和未来的道路。

第一天的比赛开始。我一眼看出了第一题的做法,然后观察了一下第二题和第三题。感觉第二题不是很难,然后第三题好像用后缀自动机+链并就可以。于是花了30分钟解决了第一题。但是第二题我的方法好像是错误的,经过一些挣扎,我拿到了80分,然后这时已经只剩下一个小时了。想了想,觉得100分做法比较难写,于是决定写68分的做法。但是由于前面几次考试都没有涉及后缀自动机,我对这个算法比较生疏了,花了20分钟写完之后,我一直调试到考试结束都没有成功,最终100+80+0收场。

因为day1的分数太低,day2的题目又太难无法翻盘,最终无力回天,以一个银牌结束了自己的OI生涯。

现在想来,不禁感叹命运的必然。在我之前决定不复习后缀自动机的板子开始,就已经注定了我NOI的结果。而若不是我的实力本就在边边上,又何至于一着不慎就满盘皆输呢?

这个世界我来过,我爱过,我战斗过,我不后悔。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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 2
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