易错点小结

这篇博客总结了C++编程中的一些关键知识点,包括初始化函数的重要性、内存管理和溢出问题、浮点数误差、类型转换规则,以及树型DP、最短路和网络流算法的应用。同时,还探讨了数据结构如RMQ、平衡树和线段树的实现细节,并提醒了在分块算法中可能遇到的问题。此外,文章还强调了在错误排查时,PushUp和PushDown操作的准确性至关重要。

零.整体把握(基本语法)

1.初始化函数别忘了打
2.占位符和变量类型不一样时,可能会出现乱码
3.1<<32ll1 << 32ll1<<32ll 会溢出,1ll<<321ll << 321ll<<32 才不会溢出
4.打少的通常是 exit(0) 之类的比较少用的函数的头文件(血的教训)
5.内存计算(K) :数组大小 * 类型大小 / 8 / 1024
6.宏定义和函数有差别,函数传参如果是式子,则会先计算出式子结果再传入,而宏定义却是直接替代掉了。
7.负数 / x 的时候是向 0 取整而非向下取整
8.浮点数有误差 e.g. 0.01∗3=0.029999999...e.g.~0.01 * 3 = 0.029999999...e.g. 0.013=0.029999999...
9.然而 doubledoubledouble 强转 intintint 是向 000 舍入而不是向下。
10.printf ("%.5f",0); ≠\neq= printf (“0.00000”);
11.Push_Down() 里面要写 if (!p) return;


一.dp

1.树型dp

背包树形 dpdpdp 第二维一定要从小到大枚举(k=0k = 0k=0j=j−kj = j - kj=jk
即: Change(dp[u][j],dp[u][j−k]+dp[v][k]) (k=0)Change (dp[u][j],dp[u][j - k] + dp[v][k])~ (k = 0)Change(dp[u][j]dp[u][jk]+dp[v][k]) (k=0)
如果从大到小枚举 dp[u][j−k]dp[u][j - k]dp[u][jk] 的值就被更新过了


二.图论

1.最短路

① Floyd

FloydFloydFloyd 第一维为 kkk
FloydFloydFloyd 记得去重边

2.网络流

①最大流

②最小割

最小割的概念:在有向图上,分出两个点集 S,TS, TS,T∣f∣=∑s∈S,t∈Tc[s][t]|f| = \sum_{s \in S, t \in T} c[s][t]f=sS,tTc[s][t] (注意是有向图,且边权算的是容量)


三.数据结构

当每个点的答案都是对的,但区间的答案是错误的时候,不一定是 PushUpPushUpPushUp 写错了,也有可能是 PushDownPushDownPushDown 写错了。

1.RMQ

QueryQueryQuery 时记得加一 (f[r−(1<<k)+1][k]f[r - (1 << k) + 1][k]f[r(1<<k)+1][k])


2.平衡树

①. fhq treap

RankSplitRankSplitRankSplit 时注意等号
在这里插入图片描述


②. 旋转 treap

fixfixfix 值记得取模,不同系统 rand()rand ()rand() 的范围不一样

3.树链剖分

树链剖分向上跳时的条件写成了 dep(深度),应该是 dfn(时间戳)。


4.线段树

线段树的查询区间出现 r<lr < lr<l 的情况

解决方案:

  1. 444 倍空间的基础上再开大 222
  2. 判断 r<lr < lr<l

四. 基本算法

1.分块(莫队)

分块 TTTQAQQAQQAQ:①:SizeSizeSize 没选好 ②:计算 SizeSizeSize 的时候溢出了

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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