BNU 51645

本文介绍了一个使用深度优先搜索(DFS)算法解决的问题,目标是在给定的无向图中找到覆盖所有边所需的最少边数。通过递归地尝试每条边并更新全局最小值来实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

https://www.bnuoj.com/v3/problem_show.php?pid=51645

思路: 对边进行深搜即可

#include <bits/stdc++.h>
#define maxs 2020202
#define mme(i,j) memset(i,j,sizeof(i))
using namespace std;
struct node
{
    int u,v;
}ed[2200];
int ans=0;
int n,m;
bool vis[2002];

void dfs(int sum,int total)
{
    if(total>10)
        return;
    if(sum==m)
    {
        ans=min(ans,total);
        return ;
    }
    if(vis[ ed[ sum ].u ] || vis[ ed[ sum ].v ] )
        dfs( sum+1, total);
    else{
        vis[ ed[sum].u ]=1;
        dfs( sum+1,total+1 );
        vis[ ed[sum].u ]=0;
        vis[ ed[sum].v ]=1;
        dfs( sum+1,total+1 );
        vis[ ed[sum].v ]=0;
    }
    return ;
}

int main()
{
    int t;
    scanf("%d",&t);
    while(t--)
    {
        mme(vis,0);
        ans=0x3f3f3f;
        scanf("%d %d",&n,&m);
        for(int i=0;i<m;i++) scanf("%d %d",&ed[i].u,&ed[i].v);
        dfs(0,0);
        if(ans>10)
            puts("GG");
        else
            printf("%d\n",ans);
    }
    return 0;
}
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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