CF842E

这场CF是以unrated选手的身份参加的,所以打的时候节奏比较慢,然而尽管慢,总共还是爆了5发OJ(A题忘判左界大于右界*1,B题看错d的含义*2 ,出题人真是的,样例给那么水 ,C题写了一个显然(是错的)的DP*2,D题反倒*0)
等到开E题时已经只剩30分钟,看到群里Claris说
辣鸡蒟蒻Claris(524936896) 0:34:20
我啥都不维护
辣鸡蒟蒻Claris(524936896) 0:34:30
只需要维护任意一条直径,这个随便做,
辣鸡蒟蒻Claris(524936896) 0:35:17
就是你随意维护一条直径
辣鸡蒟蒻Claris(524936896) 0:35:20
就知道一个端点x
辣鸡蒟蒻Claris(524936896) 0:35:27
就是问离x最远的点有几个
辣鸡蒟蒻Claris(524936896) 0:35:31
点分治随便做
感觉好奇妙,根本不会啊。可是知道离x最远的点有几个,并不等同于知道有几个点是直径,可能是我理解错了。
官方题解看的一知半解,大致是维护直径中点(然而也可能是“中边”,可以通过加虚点来解决)。
然后去扒fatego的代码,好像是用线段树维护dfn序,区间(l,r)表示有多少个点离中心距离等于半径,似乎很短,不到100行。

#include<cstdio>
const int N=300005;
int n,a[N],i,c,d,j,x;
struct segtree{
    struct node{
        int l,r,m,s;
        bool v;
    }t[N*18];
    void build(int i,int l,int r){
        t[i].l=l;
        t[i].r=r;
        t[i].m=(l+r)>>1;
        if(l^r)build(i<<1,l,t[i].m),build(i<<1|1,t[i].m+1,r);
    }
    inline void pushdown(int i){
        //printf("%d\n",i);
        if(t[i].v)t[i<<1].v=t[i<<1|1].v=1,t[i].v=0,t[i<<1].s=t[i<<1|1].s=0;
    }
    void set(int i,int l,int r){
        if(t[i].l==l && t[i].r==r){
            t[i].s=0;
            t[i].v=1;
        }else{
            pushdown(i);
            if(l>t[i].m)set(i<<1|1,l,r);
                else if(r<=t[i].m)set(i<<1,l,r);
                        else set(i<<1,l,t[i].m),set(i<<1|1,t[i].m+1,r);
            t[i].s=t[i<<1].s+t[i<<1|1].s;
        }
    }
    inline void add(int l){     
        for(register int i=1;t[i].l;i=i<<1|(l>t[i].m))pushdown(i),++t[i].s;
    }
}tt;
inline void swap(int&a,int&b){
    register int t=a;a=b;b=t;
}
struct tree{
    static const int M=N<<1;
    struct edge{
        int to,next;
    }e[N<<2];
    int h[M],id[M],right[M],sz[M],ma[M],top[M],dad[M],xb,dep[M],dfn[M],sl;
    inline void addedge(int u,int v){
        e[++xb]=(edge){v,h[u]};
        h[u]=xb;
    }
    void dfs(int x,int fa){
        sz[x]=1;
        dep[x]=dep[dad[dfn[id[x]=++xb]=x]=fa]+1;
        for(int i=h[x];i;i=e[i].next)
            if(e[i].to!=fa){
                dfs(e[i].to,x);
                sz[x]+=sz[e[i].to];
                if(sz[e[i].to]>sz[ma[x]])ma[x]=e[i].to;
            }
        right[x]=xb;
    }
    inline void prepare(){
        dfs(1,xb=0);
        for(register int i=1;i<n<<1;++i)
            top[dfn[i]]=dfn[i]==ma[dad[dfn[i]]]?top[dad[dfn[i]]]:dfn[i];
    }
    inline int dis(int a,int b){
        register int u=a,v=b;
        while(top[u]^top[v]){
            if(dep[top[u]]>dep[top[v]])swap(u,v);
            v=dad[sl=top[v]];
        }
        if(dep[u]>dep[v])swap(u,v);
        if(u^v)sl=ma[u];
        return dep[a]+dep[b]-(dep[u]<<1);
    }
}t;
int main(){
    scanf("%d",&n);
    for(++n,i=2;i<=n;++i)scanf("%d",a+i),t.addedge(a[i],n+i-1),t.addedge(n+i-1,i);
    t.prepare();
    tt.build(1,c=1,n*2-1);
    tt.add(1);
    for(i=2;i<=n;++i){
        j=t.dis(c,i);
        x=t.sl;
        if(j>d){
            if(j==t.dep[i]-t.dep[c]){
                tt.set(1,t.id[x],t.right[x]);
                c=x;
            }else{
                if(1<t.id[c])tt.set(1,1,t.id[c]-1);
                if(t.right[c]+1<n<<1)tt.set(1,t.right[c]+1,(n<<1)-1);
                c=t.dad[c];
            }
            j=d=t.dis(c,i);
        }
        if(d==j)tt.add(t.id[i]);
        printf("%d\n",tt.t[1].s);
    }
    return 0;
}
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
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