树的相关操作

2 篇文章 0 订阅

树的直径   对于树上的边带有权重的话  而且每个节点最多只能经过一次的话   我们定义树的直径是俩个点最大距离为树的直径  然后其他的点的最大距离为到俩个直径端点的最大的那个

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cstdlib>
#include<algorithm>
#include<cmath>
#include<queue>
#include<stack>
#include<map>
#include<set>
#include<vector>
using namespace std;
typedef long long ll;
typedef pair<int,int> pp;
#define inf 0x3f3f3f3f
#define eps 1e-10
#define maxl 30010
#define mem(i,j) memset(i,j,sizeof(i))
const int mod=1e9+7;
struct edge{
    int to,cost;
    edge(int to,int cost):to(to),cost(cost){}
    edge(){}
};
vector<edge> g[maxl];
int d[maxl],vis[maxl];
int res,ans;
int n,m;//节点和边的数目
void bfs(int p){
    queue<int> que;
    memset(d,0,sizeof(d));
    memset(vis,0,sizeof(vis));
    while(que.size()) que.pop();
    res=p;ans=0;
    que.push(p);
    vis[p]=1;
    while(que.size()){
        int q=que.front();que.pop();
        for(int i=0;i<g[q].size();i++){
            edge tmp=g[q][i];
            if(!vis[tmp.to]){
                d[tmp.to]=d[q]+tmp.cost;
                vis[tmp.to]=1;
                que.push(tmp.to);
                if(ans<d[tmp.to]){
                    ans=d[tmp.to];
                    res=tmp.to;
                }
            }
        }
    }
}
int main()
{
    freopen("in.txt", "r", stdin);
    scanf("%d%d",&n,&m);
    int u,v,w;
    for(int i=1;i<=n;i++) g[i].clear();
    for(int i=1;i<n;i++){
        scanf("%d%d%d",&u,&v,&w);
        g[u].push_back(edge(v,w));
        g[v].push_back(edge(u,w));
    }
    bfs(1);
    bfs(res);
    printf("%d\n",ans);
}

题目: hdu 4607

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