pat1050String Subtraction (20)

题意分析:

(1)水题,给出两个字符串,按照相对顺序输出字符串1中除去字符串2包含的字符的剩余字符

(2)建议不要暴力,O(mn)的复杂度肯定超时,首先在字符串1输入完之前,我们确实什么也干不了,那就直接用getline取字符串存好,这样效率高。在输入字符串2的时候,我们不要等输入完后再去处理,而应该在输入的时候就去处理,因为是字符,用ASCII来表示就是0~128之间的整数,因此没输入一个字符,我们就将他转为ASCII字符,利用位图索引的原则(前面多次提到过)开辟一个129大小的数组来表示以ASCII字符为下表的字符是否在字符串2中出现过。如果出现过就标记,降低了检索的复杂度

可能坑点:

(1)暴力超时

#include <iostream>
#include <string.h>
#include <stdio.h>
using namespace std;

int arr[129];
int main()
{
    string str1;
    char omit;
    getline(cin,str1);
    while((omit=getchar())!=EOF)arr[omit]=1;
    int length=str1.length();
    for(int i=0;i<length;i++)
    {
        if(arr[str1[i]]==0)printf("%c",str1[i]);
    }
    return 0;
}


### 残差减法在深度学习中的概念 残差网络(ResNet)是一种用于解决深层神经网络训练过程中梯度消失和退化问题的技术。其核心思想在于通过引入跳跃连接(skip connections),使得模型能够更容易地学习到恒等映射之外的复杂函数[^1]。 具体来说,在传统的前馈神经网络中,每一层都会尝试直接拟合输入数据与目标之间的关系。然而当网络层数增加时,这种简单的堆叠方式可能导致优化困难以及性能下降的现象。为了克服这一挑战,Hénon等人提出了所谓的“残差块”,其中的关键操作即为 **残差加法** 或者可以理解为其逆向形式—— **残差减法** 的变体应用[^2]。 在一个典型的残差单元里,除了常规权重矩阵乘积外还加入了来自先前某一层未经变换过的原始信号作为附加项: ```python import tensorflow as tf def residual_block(x, filters, kernel_size=3, stride=1): shortcut = x # 主路径的第一部分卷积层 y = tf.keras.layers.Conv2D(filters=filters, kernel_size=(kernel_size,kernel_size), strides=stride)(x) y = tf.keras.layers.BatchNormalization()(y) y = tf.keras.layers.Activation('relu')(y) # 主路径第二部分卷积层 y = tf.keras.layers.Conv2D(filters=filters, kernel_size=(kernel_size,kernel_size))(y) y = tf.keras.layers.BatchNormalization()(y) # 如果尺寸不匹配,则调整shortcut分支的数据形状以便相加 if stride != 1 or int(shortcut.shape[-1]) != filters: shortcut = tf.keras.layers.Conv2D(filters=filters, kernel_size=(1,1), strides=stride)(shortcut) # 这里的'+'实际上代表了残差加法;如果考虑相反方向的操作则可视为一种特殊的‘减’ z = tf.keras.layers.Add()([shortcut,y]) out = tf.keras.layers.Activation('relu')(z) return out ``` 尽管上述代码片段主要展示了如何构建一个标准意义上的残差模块并通过累加来融合特征图信息,但从另一个角度来看待此过程的话,“从最终激活后的输出再回溯至初始状态”也可以被解释成某种意义下的反向消除或者说是“减去”的动作[^3]。 因此可以说,在实际工程实践中虽然我们更多强调的是正向传播阶段利用这些额外加入的信息流促进收敛速度提升泛化能力等方面的优势效果,但是反过来思考整个计算流程内部机制的时候确实存在类似于所谓“subtraction-like behavior”。 #### 注意事项 值得注意的一点是这里讨论的内容并非严格意义上数学定义层面绝对精确无误表述而是基于特定语境下对于某些现象背后原理直观描述而已,并不代表正式学术论文当中严谨措辞表达方式。
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