HDU - 1811 - Rank of Tetris (并查集&&拓扑排序)

思路:

先把‘=’的数合并成一个,然后拓扑排序,如果拓扑过程中可选择点的数量超过一个,则信息不完全。

如果有环,说明冲突,那么num就不会到0.

#include <bits/stdc++.h>

using namespace std;
const int maxn = 1e4 + 10;
int n,m,fa[maxn],X[maxn * 2],Y[maxn * 2];
int in[maxn];
char op[maxn * 2];
vector<int> G[maxn];
int find(int x)
{
    return fa[x] == x ? x : fa[x] = find(fa[x]);
}
bool join(int x,int y)
{
    int a=find(x), b=find(y);
    if(a==b)
    {
        return false;
    }
    fa[b]= a;
    return true;
}
void init(int n)
{
    for(int i = 0; i <= n; i++)
        fa[i] = i;
    for(int  i = 0; i<= n; i++)
        G[i].clear();
    memset(in,0,sizeof in);
}
int main()
{
    while(cin>>n>>m)
    {
        int num = n;
        init(n);
        for(int i = 0 ; i < m ; i++)
        {
            cin>>X[i]>>op[i]>>Y[i];
            if(op[i]=='=')
            {
                if(join(X[i],Y[i]))
                    num--;
            }
        }
        for(int i = 0; i < m; i++)
        {
            int x= find(X[i]);
            int y = find(Y[i]);
            if(op[i] == '>')
            {
                G[x].push_back(y);
                in[y]++;
            }
            else if(op[i] == '<')
            {
                G[y].push_back(x);
                in[x]++;
            }
        }
        queue<int>que;
        for(int i= 0; i< n; i++)
        {
            if(in[i] ==0 &&i == find(i))
            {
                que.push(i);
            }
        }
        int flag = 1;
        while(!que.empty())
        {
            if(que.size() > 1)
                flag = 0;
            int t = que.front();
            que.pop();
            num--;
            for(int i = 0; i < G[t].size(); i++)
            {
                if(--in[G[t][i]] == 0)
                {
                    que.push(G[t][i]);
                }
            }
        }
        if(num > 0)
        {
            cout<<"CONFLICT"<<endl;
        }
        else if(flag == 0)
        {
            cout<<"UNCERTAIN"<<endl;
        }
        else
        {
            cout<<"OK"<<endl;
        }
    }
    return 0;
}

 

训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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