The 2019 Asia Yinchuan First Round Online Programming - A Caesar Cipher | 水题

题意:有一种应用于26个大写字母的加密方法,密码会相对于正常排序错位x位,题例会给你一个源码一个密码,从而推得加密方式。之后再提供一个密码,让你求源码。

很容易想到,根据上面一个源码一个密码的差得到偏移位置的量gap,然后对密码减去gap就是源码。
但是,要注意,减去之后可能会<65。那我们要想办法在’A’ → ‘Z’这个圈圈里打转。这种搞成环的很容易想到要用( +T)%T来做。但是我们的字母不是0-26,所以要-’A‘。最后再+’A‘即可。

#include <bits/stdc++.h>
using namespace std;

#define MAX_N 60

int T, len1, len2;

int main()
{
    scanf("%d", &T);
    for(int t = 1;t <= T;t++)
    {
        scanf("%d %d", &len1, &len2);//[1, 50]
        char s1[MAX_N], s2[MAX_N], s3[MAX_N];

        getchar();
        scanf("%s", s1);

        getchar();
        scanf("%s", s2);

        getchar();
        scanf("%s", s3);

        int gap = int(s2[0] - s1[0]);

        //printf("%d\n", gap);
        printf("Case #%d: ", t);

        int mark;
        for(int i = 0;i < len2;i++)
        {
            if(gap >= 0)
            {
				int res = (int)(s3[i]-'A');
				mark = (res - gap) % 26;
				if(mark < 0)
                {
					mark += 26;
				}
				printf("%c", 65+mark);
			}
		    else
            {
			    int res = (int)(s3[i] - 'A');
			    mark = (res - gap) % 26;
			    printf("%c", mark+65);
		    }
        }
        printf("\n");
    }
    return 0;
}/*
int main()
{
	int T,n,m,f,ans;
	char a[26]={'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z'};
	string s,ss,sss,str;
	scanf("%d",&T);
	int k =1;
	for(int j=0;j<T;j++){
		ss=sss="";
		str="";
		scanf("%d %d",&n,&m);
		cin >> ss >> sss;
		ans=(int)(sss[0]-ss[0]);
		cin >> s;
		printf("Case #%d: ",k);
		k++;
		int lena = s.length();

		for(int i=0;i<m;i++){
		if(ans>=0){
				int u = (int)(s[i]-'A');
				f=(u-ans)%26;
				if(f<0){
					f=f+26;
				}
				str=str+a[f];
			}
		else{
			int u = (int)(s[i]-'A');
			f=(u-ans)%26;
			str=str+a[f];
		}
		}
		cout << str <<endl;
	}
	return 0;
}
*/

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