CSP-j 2022解题报告(前两题)

CSP2022-J-T2【解密(decode.cpp)】 阅读详情

[CSP-J 2022] 乘方

题目背景

由于众所周知的原因,官方数据现置于子任务 0,剩余的子任务为民间数据。

题目描述

小文同学刚刚接触了信息学竞赛,有一天她遇到了这样一个题:给定正整数 aaa 和 bbb,求 aba^bab 的值是多少。

aba^bab 即 bbb 个 aaa 相乘的值,例如 232^323 即为 333 个 222 相乘,结果为 2×2×2=82 \times 2 \times 2 = 82×2×2=8。

“简单!”小文心想,同时很快就写出了一份程序,可是测试时却出现了错误。

小文很快意识到,她的程序里的变量都是 int 类型的。在大多数机器上,int 类型能表示的最大数为 231−12^{31} - 1231−1,因此只要计算结果超过这个数,她的程序就会出现错误。

由于小文刚刚学会编程,她担心使用 int 计算会出现问题。因此她希望你在 aba^bab 的值超过 109{10}^9109 时,输出一个 -1 进行警示,否则就输出正确的 aba^bab 的值。

然而小文还是不知道怎么实现这份程序,因此她想请你帮忙。

输入格式

输入共一行,两个正整数 a,ba, ba,b。

输出格式

输出共一行,如果 aba^bab 的值不超过 109{10}^9109,则输出 aba^bab 的值,否则输出 -1。

样例 #1

样例输入 #1

10 9

样例输出 #1

1000000000

样例 #2

样例输入 #2

23333 66666

样例输出 #2

-1

提示

对于 10%10 \%10% 的数据,保证 b=1b = 1b=1。
对于 30%30 \%30% 的数据,保证 b≤2b \le 2b≤2。
对于 60%60 \%60% 的数据,保证 b≤30b \le 30b≤30,ab≤1018a^b \le {10}^{18}ab≤1018。
对于 100%100 \%100% 的数据,保证 1≤a,b≤1091 \le a, b \le {10}^91≤a,b≤109。

解题思路

通过while循环将b个a相乘即可,但是由于数据“1≤a,b≤1091 \le a, b \le {10}^91≤a,b≤109”,所以1的1e9次方会超时(虽然官方测试样例没有1),所以要特殊考虑,。

代码展示

#include <bits/stdc++.h>
using namespace std;
int main(){
	long long a,b;//记得开long long
	cin>>a>>b;
	long long ans=1;
	if(a==1)
		cout<<1<<endl;
	else{
		bool f=true;
		for(int i=1;i<=b;i++){
			ans*=a;
			if(ans>1e9){
				cout<<-1<<endl;
				f=false;
				break;
			}
		}
		if(f)
			cout<<ans<<endl;
	}
	return 0;
}

[CSP-J 2022] 解密

题目背景

由于众所周知的原因,官方数据现置于子任务 0,剩余的子任务为民间数据。

题目描述

给定一个正整数 kkk,有 kkk 次询问,每次给定三个正整数 ni,ei,din_i, e_i, d_ini​,ei​,di​,求两个正整数 pi,qip_i, q_ipi​,qi​,使 ni=pi×qin_i = p_i \times q_ini​=pi​×qi​、ei×di=(pi−1)(qi−1)+1e_i \times d_i = (p_i - 1)(q_i - 1) + 1ei​×di​=(pi​−1)(qi​−1)+1。

输入格式

第一行一个正整数 kkk,表示有 kkk 次询问。

接下来 kkk 行,第 iii 行三个正整数 ni,di,ein_i, d_i, e_ini​,di​,ei​。

输出格式

输出 kkk 行,每行两个正整数 pi,qip_i, q_ipi​,qi​ 表示答案。

为使输出统一,你应当保证 pi≤qip_i \leq q_ipi​≤qi​。

如果无解,请输出 NO。

样例 #1

样例输入 #1

10
770 77 5
633 1 211
545 1 499
683 3 227
858 3 257
723 37 13
572 26 11
867 17 17
829 3 263
528 4 109

样例输出 #1

2 385
NO
NO
NO
11 78
3 241
2 286
NO
NO
6 88

提示

【样例 #2】

见附件中的 decode/decode2.in 与 decode/decode2.ans。

【样例 #3】

见附件中的 decode/decode3.in 与 decode/decode3.ans。

【样例 #4】

见附件中的 decode/decode4.in 与 decode/decode4.ans。

【数据范围】

以下记 m=n−e×d+2m = n - e \times d + 2m=n−e×d+2。

保证对于 100%100\%100% 的数据,1≤k≤1051 \leq k \leq {10}^51≤k≤105,对于任意的 1≤i≤k1 \leq i \leq k1≤i≤k,1≤ni≤10181 \leq n_i \leq {10}^{18}1≤ni​≤1018,1≤ei×di≤10181 \leq e_i \times d_i \leq {10}^{18}1≤ei​×di​≤1018
,1≤m≤1091 \leq m \leq {10}^91≤m≤109。

测试点编号k≤k \leqk≤n≤n \leqn≤m≤m \leqm≤特殊性质
11110310^310310310^310310310^3103保证有解
22210310^310310310^310310310^3103无
33310310^310310910^91096×1046\times 10^46×104保证有解
44410310^310310910^91096×1046\times 10^46×104无
55510310^310310910^910910910^9109保证有解
66610310^310310910^910910910^9109无
77710510^5105101810^{18}101810910^9109保证若有解则 p=qp=qp=q
88810510^5105101810^{18}101810910^9109保证有解
99910510^5105101810^{18}101810910^9109无
10101010510^5105101810^{18}101810910^9109无

解题思路(方法一)

显而易见,我们可以通过暴力打出60分

代码展示(方法一)

#include <bits/stdc++.h>
using namespace std;

unsigned long long k,n,e,d;

int main(){
	cin>>k;
	for(int i=1;i<=k;i++){
		cin>>n>>e>>d;
		unsigned long long p,q;
		bool f=false;
		for(int j=1;j*j<=n;j++){
			if(n%j==0){
				q=n/j;
				if(e*d==(j-1)*(q-1)+1){
					f=true;
					p=j;
					break;
				}
			}
		}
		if(f)
			cout<<p<<" "<<q<<endl;
		else
			cout<<"NO"<<endl;
	}
	return 0;
}

解题思路(方法二)

根据题目,我们可以推出 p+q=n−e∗d+2=m,p + q = n − e ∗ d + 2 = m,p+q=n−e∗d+2=m,所以m=p+qm=p+qm=p+q,最后转化为解x2−mx+n=0x^2-mx+n=0x2−mx+n=0这个方程。

代码展示(方法二)

#include <bits/stdc++.h>
using namespace std;

long long k,n,e,d;

int main(){
	cin>>k;
	for(int i=1;i<=k;i++){
		cin>>n>>e>>d;
		long long m=n-e*d+2;
		long long f=m*m-4*n;
		if(f>=0){
			long long ff=sqrt(f);
			if(ff*ff==f&&(m-ff)%2==0){
				cout<<(m-ff)/2<<" "<<(m+ff)/2<<endl;
				continue;
			}
		}
		cout<<"NO"<<endl;
	}
	return 0;
}
【CSP-J 2022】解密 【CSP-J 2022】解密 解题报告 阅读详情

相关推荐

CSP-J 解题报告

CSP-J解题报告

wp_fxy的博客 555

CSP-S 2022题目与CSP-J 2022题目

CSP-S 2022题目与CSP-J 2022题目

lljloimjo的博客 2586

CSP-J复赛2022题解

对于2022年的CSP-J复赛感触深刻,故写一篇复盘题解

m0_67983744的博客 3544

【题解】CSP-J2022复赛题解

CSP-J2022第二轮试题详解。马上就要 csp2023 了,希望能借此冲一波粉丝量^_^。点进来看看啊!

hexu2010的博客 3357

【CSP-J 2022】乘方

【CSP-J 2022】乘方 解题报告

weixin_60849605的博客 1036

CSP-J 初赛模拟卷7(CSP-J2022真题) 题解

题解:编号为奇数的结点除了根结点,其余的一定是某一结点的右孩子。根据二叉树用数组存储的方法:设该结点编号为i,那么该结点的左孩子编号为2×i,右孩子编号为2×1+1,可以反推出这个结点的父节点的编号是(9-1)÷2=4,那么这个结点的兄弟节点就是它的父节点的左孩子,也就是编号为4×2=8的结点。则栈S的容量至少是(正解题解:首先修改结点s的指针域,让结点s的后继变为结点p的后继,再把p的后继结点的前驱变为s,最后修改p的指针域,把s的前驱结点变为p,p的直接后继结点变为s(因为是双链表,所以要双向存储)

Sat77GryHp_Pro的博客 2792

CSP-J初赛 输入输出汇总(2019~2022)

1、【2022年真题】以下哪种功能没有涉及C++语言的面向对象特性支持:(A )。备注:C语言是面向过程的 scanf/printf均是C语言函数。C.C++中构造一个class或struct。D.C++中构造来源于同一基类的多个派生类。B.C++中调用用户定义的类成员函数。A.C++中调用printf函数。

xinruzhishui012的专栏 264

【CSP-J 2022】逻辑表达式

【CSP-J 2022】逻辑表达式 解题报告

weixin_60849605的博客 1054

P8814 [CSP-J 2022] 解密(民间数据)题解

P8814 [CSP-J 2022] 解密(民间数据)题解

Sundar_2022的秘密基地 567

2022 CSP-J 第二轮认证真题解析

由于忙于考教资和考研的事情,题目一直没有去做,做完后第一题可以使用快速幂快速求,暴力枚举问题也不大;第二题二分或者韦达定理;第三题最难,中缀转后缀表达式;第四题可以套个floyed或者使用动态规划解决,参考最长上升子序列,2023祝大家RP++。

2555

14、OpenClaw(龙虾助手)Skill 开发完整规范(2026最新版)

OpenClaw Skill 开发指南摘要: Skill 是 OpenClaw AI 助手的核心扩展机制,支持声明式(SKILL.md)和原生代码(JS/TS/Python)两种开发模式。声明式 Skill 通过 Markdown 定义触发条件和执行流程,适合简单业务;原生代码 Skill 提供完整编程能力,适合复杂场景。开发需遵循标准化项目结构,包含 SKILL.md(元数据)、manifest.json(权限声明)等文件,并严格处理错误和多系统适配。新版要求原生 Skill 必须声明文件、网络等权限,确

欢迎光临~知1而N的博客 1243

CSP-J 2022 解题报告

CSP-J 2022个人解题报告 NEVER GONNA GIVE YOU UP!

cadifobp0802的博客 682

CA(载波聚合)

文章目录CA基本概念1. CA分类2. Pcell、Scell以及Serving CellPcell(Primary Cell)Scell(Secondary Cell)3. Pcell、Scell部署场景场景1场景2场景3场景44. CA的协议控制4.1 Camping/Connetion Establishment:4.2 CC Management/SCell Addition/Release:4.3 Handover/Measurements:4.4 SCell激活 CA基本概念 CA也就是我们中文

你又来看我了,一起学习吧 4万+

2022 CSP-J1 CSP-S1 初赛 第1轮 真题讲评 真题解析

2022 CSP-J1 CSP-S1 初赛 第1轮 真题讲评 真题解析

青少年趣味编程 5402

从零开始:使用Labelme完成图像语义分割标注全流程

本文详细介绍了如何使用Labelme工具完成图像语义分割标注的全流程,从环境安装、数据准备到核心标注操作,并重点讲解了如何将标注结果转换为PASCAL VOC等深度学习框架可用的标准数据集格式。文章还提供了关键的避坑指南和高效技巧,帮助初学者快速上手,高效产出高质量的标注数据。

weixin_29073241的博客 492

基于smart_rtmp直播,最简单的部署手册

版本号 添加内容 修改时间 V1.0 新建 2021年12月30日 V1.1 增加网页播放 2021年12月31日 V1.2 增加是否可以多流和测试数据 2022年1月5日 目录 一、软件储备 1.推流软件:OBS 2.服务器流媒体软件:smart_rtmp 3.播放软件:Pot...

qq_28768477的博客 1万+

[CSP-J 2022] 解密

2022CSP-J第二题

ljxid的博客 4045

从USB 2.0到USB 3.x:Synopsys SVT USB VIP配置避坑与接口选择指南

本文详细解析了从USB 2.0到USB 3.x的Synopsys SVT USB VIP配置要点,涵盖协议版本选择、物理接口匹配及UVM层次化架构实现。重点介绍了layering sequence的配置技巧和常见问题解决方案,帮助验证工程师高效避坑并优化验证流程。

weixin_42653691的博客 238

2022年CSP-J复赛真题解析

因此她希望你在 a^b 的值超过 10^9 时,输出一个 ‐1 进行警示,否则就输出正确的 a^b 的值。同理,在形如 a|b 的逻辑表达式中,会先计算 a 部分的值,如果 a = 1 ,那么整个逻辑表达式的值就一定为 1,无需再计算 b 部分的值。需要注意的是,如果某处“短路”包含在更外层被“短路”的部分内则不被统计,如表达式 1|(0&1) 中,尽管 0&1 是一处“短路”,但由于外层的 1|(0&1) 本身就是一处“短路”,无需再计算 0&1 部分的值,因此不应当把这里的0&1 计入一处“短路”。

weixin_42358969的博客 5189

运放+三极管构建LED恒流驱动电路:原理、设计与调试全解析

在电子工程领域,恒流源是一种能够提供稳定输出电流的电路,其核心原理基于负反馈控制机制。通过将输出电流采样转化为电压信号,并与一个稳定的参考电压进行比较,系统自动调节功率器件的导通状态,从而抵消输入电压波动或负载变化带来的影响,实现电流恒定。这种技术对于驱动LED、激光二极管等电流敏感型器件具有重要价值,能确保亮度、色温的一致性,并延长器件寿命。本文以经典的运放结合三极管方案为例,深入剖析其如何实现精准的电流“钳位”。该方案利用通用运算放大器作为比较器,配合三极管构成调整管,通过采样电阻实时监测电流,形成了一

weixin_42525800的博客 496

用一组可复现实验讲清 ABAP 内表 Standard / Sorted / Hashed 的性能差异

摘要(150字): SAP项目中性能问题常源于ABAP内表选型不当。标准表(STANDARD TABLE)写入快但查找慢(线性扫描),适合遍历场景;排序表(SORTED TABLE)保持有序,支持二分查找,适合范围查询;哈希表(HASHED TABLE)基于唯一键实现常数级查找,适合高频精确匹配。实验表明:标准表+BINARY SEARCH需预排序,成本可能高于直接使用排序表;哈希表在键匹配时性能最优。Gateway和RAP场景中,内表选型直接影响接口响应,建议根据读写负载(追加/遍历/精确查找)选择对应类

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 203

【题解】【洛谷P8814】【数学】—— [CSP-J 2022] 解密

前置知识:代数推理。

Pantheraonca的博客 1970

【基础演练】Playwright 极简复习:作为 AI-RPA 底座的 Playwright 核心用法

摘要: 2026年,Playwright已从测试工具升级为AI-RPA标准执行底座,周下载量超3300万,被browser-use等AI Agent项目广泛采用。其核心架构通过Playwright Server实现多浏览器协议适配,支持远程连接与高并发隔离(BrowserContext)。自动等待机制显著提升稳定性,但高频交互场景可能需直接使用CDP协议。Playwright凭借跨浏览器兼容性、轻量级隔离和微软官方支持,成为测试、RPA和AI Agent领域的事实标准,未来将主导对话式自动化市场。

ZDQ58818的博客 238

CSP-J2022 山东 题解

受疫情影响,山东省取消了 CSP-J 2022 认证活动,并于次年三月重新命题,在省内补办比赛。植树节快要到了,学校要组织志愿者去给树苗浇水。有一排树苗,编号依次是 0,1,2,…0,1,2,\dots0,1,2,…。现有 nnn 个志愿者去给树苗浇水,第 iii 个志愿者选定了一个区间 [ai,bi]\left[a_{i},b_{i}\right][ai​,bi​] ,表示第 iii 个志愿者将 [ai,bi]\left[a_{i},b_{i}\right][ai​,bi​] 这一区间内的每一棵树都浇一次

ZXTpower的博客 1046

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

2022 CSP-J2 CSP-S2 第2轮 视频及相关资料

2022 CSP-J2 CSP-S2 第2轮 视频及相关资料

青少年趣味编程 1434

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

下一篇: 上海市计算机学会竞赛平台(iai.sh.cn)十月月赛(丙组)解题报告
Net_bad
博客等级 码龄4年 331粉丝 14原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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