USACO 2020 December Contest, Bronze

USACO 2016 February Contest, Bronze Problem 2. Circular Barn 作为当代建筑学的一个狂热粉丝,农夫John搭建了一个形状是完美的圆的谷仓。在谷仓的内部,围成一个环的n(3    农夫John想ri头奶牛最后处于第i个房间(1输入格式(cbarn.in)第一行仅一个整数n。接下来的n行每行是一个整数ri,意思是第i个房间需要ri头奶牛在里面。输出格式(cbarn.out)输出仅一个数,即奶牛走过距离总和的最小值。输入样例:547864输出样例:48样例解释:如样 阅读详情

Problem 1. Do You Know Your ABCs?

问题描述

Farmer John 的奶牛正在 “mooZ” 视频会议平台上举行每日集会。她们发明了一个简单的数字游戏,为会议增添一些乐趣。

Elsie 有三个正整数 A、B 和 C(A <= B <= C)。这些数字是保密的,她不会直接透露给她的姐妹 Bessie。她告诉 Bessie 七个范围在 1 … 10^9 之间的整数(不一定各不相同),并宣称这是 A、B、C、A+B、B+C、C+A 和 A+B+C 的某种排列。

给定这七个整数,请帮助 Bessie 求出 A、B 和 C。可以证明,答案是唯一的。

输入格式

输入一行,包含七个空格分隔的整数。

输出格式

输出 A、B 和 C,用空格分隔。

输入样例

2 2 11 4 9 7 9

输出样例

2 2 7

测试点性质

  • 测试点 2-3 满足 C<=50C <= 50C<=50
  • 测试点 4-10 没有额外限制

解题思路

这题由于·(A <= B <= C),可推出(A<=B<=C<=A+B<=A+C<=B+C), 直接暴力枚举即可

方法

模拟+暴力枚举

代码展示

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

int a[10],b[5];

int main(){
	freopen("abc.in","r",stdin);
	freopen("abc.out","w",stdout);
	for(int i=1;i<=7;i++)
		cin>>a[i];
	sort(a+1,a+8);
	b[1]=a[1];
	for(int i=2;i<6;i++){
		for(int j=i+1;j<=6;j++){
			if(a[i]+a[j]==a[7]-a[1]){
				b[2]=a[i],b[3]=a[j];
			}
		}
	}
	sort(b+1,b+4);
	for(int i=1;i<=2;i++)
		cout<<b[i]<<" ";
	cout<<b[3]<<endl;
	fclose(stdin);
	fclose(stdout);
	return 0;
}

Problem 2. Daisy Chains

问题描述

每天,作为她绕农场行走的一部分,奶牛 Bessie 会经过她最喜爱的草地,其中种有 N 朵花(五颜六色的雏菊),编号为 1…N(1≤N≤100),排列成一行。花 i 有 pi 朵花瓣(1≤pi≤1000)。
作为一名崭露头角的摄影家,Bessie 决定给这些花拍些照片。具体地说,对于每一对满足 1≤i≤j≤N 的花 (i,j),Bessie 会给从花 i 到花 j 之间的所有花(包括 i 和 j)拍一张照。

后来 Bessie 查看这些照片时注意到有些照片里存在「平均」的花——一朵恰好有 P 朵花瓣的花,其中 P 等于照片中所有花的花瓣数量的平均值。

Bessie 的照片中有几张存在平均的花?

输入格式

输入的第一行包含 N。第二行包含 N 个空格分隔的整数 p1…pN。

输出格式

输出存在平均的花的照片数量。

输入样例

4
1 1 2 3

输出样例

6

样例说明

每张仅包含一朵花的照片均会被计入答案(在这个样例中有 4 张)。另外,在这个样例中 (i,j) 为 (1,2) 和 (2,4) 所对应的照片也存在平均的花。

供题:Nick Wu

解题思路

因为这个题目涉嫌区间和,常见的区间和优化方法就是前缀和,然后我们枚举这一段区间的花瓣数,查看是否有为平均值的,将答案输出即可

方法

前缀和+枚举查找

代码展示

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

int n,a[110],b[110];

int main(){
	freopen("daisy.in","r",stdin);
	freopen("daisy.out","w",stdout);
	cin>>n;
	for(int i=1;i<=n;i++){
		cin>>a[i];
		b[i]=a[i];
		a[i]+=a[i-1];
	}
	int ans=0;
	for(int i=1;i<=n;i++){
		for(int j=i;j<=n;j++){
			double p=(a[j]-a[i-1])*1.0/(j-i+1);
			for(int k=i;k<=j;k++){
				if(b[k]==p){
					ans++;
					break;
				}
			}
		}
	}
	cout<<ans<<endl;
	fclose(stdin);
	fclose(stdout);
	return 0;
}

Stuck in a Rut

问题描述

Farmer John 最近扩大了他的农场,从奶牛们的角度看来这个农场相当于是无限大了!奶牛们将农场上放牧的区域想作是一个由正方形方格组成的无限大二维方阵,每个方格中均有美味的草(将每个方格看作是棋盘上的一个方格)。Farmer John 的 N 头奶牛(1≤N≤50)初始时位于不同的方格中,一部分朝向北面,一部分朝向东面。

每一小时,每头奶牛会执行以下二者之一:

如果她当前所在的方格里的草已经被其他奶牛吃掉了,则她会停下。
吃完她当前所在的方格中的所有草,并向她朝向的方向移动一个方格。
经过一段时间,每头奶牛的身后会留下一条被啃秃了的轨迹。

如果两头奶牛在一次移动中移动到了同一个有草的方格,她们会分享这个方格中的草,并在下一个小时继续沿她们朝向的方向移动。

请求出每头奶牛吃到的草的数量。有些奶牛永远不会停下,从而吃到无限多的草。

输入格式

输入的第一行包含 N。以下 N 行,每行描述一头奶牛的起始位置,包含一个字符 N(表示朝向北面) 或 E(表示朝向东面),以及两个非负整数 x 和 y(,)表示方格的坐标。所有 x 坐标各不相同,所有 y 坐标各不相同。

为了使方向和坐标尽可能明确,如果一头奶牛位于方格 (x,y) 并向北移动,她会到达方格 (x,y+1)。如果她向东移动,她会到达方格 (x+1,y)。

输出格式

输出 N 行。输出的第 i 行包含输入中的第 i 头奶牛吃到草的方格的数量。如果一头奶牛可以吃到无限多的草,为这头奶牛输出 “Infinity”。

输入样例

6
E 3 5
N 5 3
E 4 6
E 10 4
N 11 2
N 8 1

输出样例

5
3
Infinity
Infinity
2
5

测试点性质

测试点 2-5 中,所有坐标不超过 100。
测试点 6-10 没有额外限制。

解题思路一

我们可以模拟牛行走的路径,但是根据这个数据量,我们应该只能得到50分,代码就不展示了

解题思路二

枚举所有向东走的和向北走的奶牛,然后判断是否会被拦截然后吃的草的格数,但是我们很难使解决奶牛提前被拦截了,导致后面的奶牛依然认为认为自己会被拦截这个问题,但是这个数据很苛刻,我们只能得到10分。

方法

硬核模拟

代码展示

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

int n;

struct nod{
	char dir;
	int x,y,ans=0xc0;
	bool f=true;//Infinity; 
}net[60];

int main(){
	freopen("stuct.in","r",stdin);
	freopen("stuct.out","w",stdout);
	cin>>n;
	for(int i=1;i<=n;i++)
		cin>>net[i].dir>>net[i].x>>net[i].y;
	for(int i=1;i<=n;i++){
		if(net[i].dir=='N'){
			for(int j=1;j<=n;j++){
				if(net[j].dir=='E'&&net[j].x<net[i].x&&net[j].y>net[i].y){
					if(net[i].x-net[j].x<net[j].y-net[i].y){
						if(net[i].ans>net[j].y-net[i].y){
							net[i].ans=net[j].y-net[i].y;
							net[i].f=false;
						} 
					}
					if(net[i].x-net[j].x>net[j].y-net[i].y){
						if(net[j].ans>net[i].x-net[j].x){
							net[j].ans=net[i].x-net[j].x;
							net[j].f=false;
						} 
					}
				}
			}
		}
		else{
			for(int j=1;j<=n;j++){
				if(net[j].dir=='N'&&net[j].x>net[i].x&&net[j].y<net[i].y){
					if(net[j].x-net[i].x<net[i].y-net[j].y){
						if(net[j].ans>net[i].y-net[j].y){
							net[j].ans=net[i].y-net[j].y;
							net[j].f=false;
						} 
					}
					if(net[j].x-net[i].x>net[i].y-net[j].y){
						if(net[i].ans>net[j].x-net[i].x){
							net[i].ans=net[j].x-net[i].x;
							net[i].f=false;
						} 
					}
				}
			}
		}
	}
	for(int i=1;i<=n;i++){
		if(net[i].f)
			cout<<"Infinity"<<endl;
		else
			cout<<net[i].ans<<endl;
	}
	fclose(stdin);
	fclose(stdout);
	return 0;
}
【比赛】USACO 20 Dec USACO 20 DEC游记 文章目录USACO 20 DEC游记BronzeA.Do You Know Your ABCs?B. Daisy ChainsC.Stuck in a RutSilverA.CowntagionB.Rectangular PastureC.Stuck in a RutGoldA.Replication碎碎念 目前只有本人考场ac的题目,其他会随后补上 Bronze A.Do You Know Your ABCs? 简单题 发现七个数加和正好是4(A+B+C)4(A+B+C)4( 阅读详情

相关推荐

STM32CubeMX + HAL库避坑指南:为什么你的代码总在SystemClock_Config卡住?

本文深入剖析了STM32开发者在使用STM32CubeMX和HAL库时,代码在SystemClock_Config函数中卡死的根本原因。文章不仅指出硬件时序、Flash延迟配置等常见陷阱,更提供了从硬件设计、软件容错到深度调试的系统性解决方案,帮助开发者构建鲁棒的时钟初始化策略,彻底告别启动卡顿问题。

bb456的博客 928

Python 在一行中输入多个数,用空格隔开

这里要使用一个函数 input().split() 如果使用 eval(input()) 会报错 下面给出一个例子 a,b,c=input().split() #输入三个整数 b=int(b) #进行强制类型转换 c=int(c) a=int(a) ans=b*b-4*a*c #计算方程结果 print(ans) #输出 ...

_Sincerely的博客 2万+

LTspice introduction - 2 LTspice的界面

LTspice的界面主要有两个:Schematic Capture和Waveform Viewer Schematic Capture 它主要是用来画电路图的,画完电路图之后,添加一些dot 命令同时选择一些仿真的参数,点击执行(Run)Waveform Viewer 如果你的仿真不是op point的话,一个都会打开它,在它里面你可以画图相应的图形。 有两种方式可以在Viewer

贾亮的专栏 3220

USACO 2020 December Contest, BronzeProblem 1. Do You Know Your ABCs?题解

题目描述 Farmer John 的奶牛正在 "mooZ" 视频会议平台上举行每日集会。她们发明了一个简单的数字游戏,为会议增添一些乐趣。 Elsie 有三个正整数A、B和C(A≤B≤C)。这些数字是保密的,她不会直接透露给她的姐妹 Bessie。她告诉 Bessie 七个范围在1…10^9之间的整数(不一定各不相同),并宣称这是A、B、C、A+B、B+C、C+A和 A+B+C的某种排列。 给定这七个整数,请帮助 Bessie 求出A、B和C。可以证明,答案是唯一的。 输入格式...

weixin_41944566的博客 897

spring-ai 1.0.0 学习(四)——提示词管理

摘要:本文介绍Spring AI中提示词管理的最佳实践。首先展示基础样例,指出直接传递用户输入的局限性。随后分析优质提示词应包含系统消息、上下文信息、输出结构和问答样例四要素。文章详述两种实现方式:链式调用(使用ChatClient构建器)和传统对象创建方法。进阶部分涵盖核心接口(Prompt、Message等)、消息类型、模板渲染配置(支持自定义)及提示词工程技巧(如RAG、任务分解)。最后提及高级功能如少样本模板和提示词库。全文强调结构化提示词对提升AI输出质量的关键作用,并展示Spring AI的灵活

hzp的专栏 1365

矢量网络分析仪VNA的校准之SOLT方法

作者:杭州冥鸿电子科技有限公司 邮箱:huanglong@deepelec.com S参数的测量方法有两种,一种是基于扫频测量的原理(VNA),另外一种是基于快沿阶跃响应的原理(TDR)。 下图是VNA的原理框图,主要包括以下部分: (1)激励信号源:提供感兴趣的频率范围内的入射信号; (2)信号分离装置:含功分器和定向耦合器,分离出入射,反射和传输信号; (3)接收机:...

u010018619的博客 2万+

[USACO21OPEN] Do You Know Your ABCs? S

Farmer John 的奶牛正在视频会议平台上举行每日集会。她们发明了一个简单的数字游戏,为会议增添一些乐趣。Elsie 有三个正整数 A、B 和 C,(1≤A≤B≤C)。这些数字是保密的,她不会直接透露给她的姐妹 Bessie。她告诉 Bessie N(4≤N≤7)个不同的整数 x1,x2...xn,并宣称每一个xi都是 A、B、C、A+B,B+C、C+A 或 A+B+C 之一。

qq_45775465的博客 626

DeepSeek赋能公文写作指南(一)

DeepSeek 的出现,为公文写作领域带来了新的曙光。作为先进的人工智能技术,DeepSeek 以其强大的语言理解与生成能力,能为公文写作提供全方位的支持。它可以快速梳理思路,提供丰富的素材参考,辅助优化语言表达,甚至能根据不同的公文类型和场景,生成极具价值的内容框架。《DeepSeek 赋能公文写作指南》正是基于此背景应运而生。本书旨在帮助公文写作者深入了解并充分利用 DeepSeek 这一强大工具,将其融入到公文写作的各个流程中。

通俗易懂学IT 5484

[USACO2020Dec铜组第二题] 雏菊(Daisy Chains)

题目描述 每天,作为她绕农场行走的一部分,奶牛 Bessie 会经过她最喜爱的草地,其中种有 N 朵花(五颜六色的雏菊),编号为 1…N(1≤N≤100),排列成一行。花 i 有 pi 朵花瓣(1≤pi≤1000)。 作为一名崭露头角的摄影家,Bessie 决定给这些花拍些照片。具体地说,对于每一对满足 1≤i≤j≤N 的花 (i,j),Bessie 会给从花 i 到花 j 之间的所有花(包括 i 和 j)拍一张照。 后来 Bessie 查看这些照片时注意到有些照片里存在「平均」的花——一朵恰好有 P 朵.

ycy的博客 1690

超级全的PCB LAYOUT高速信号走线指南——简化应用版

在PCB Layout中,几乎涵盖了所有的高速信号走线指南。包括了TF/SD、HDMI、LVDS、DVP、eDP、MIPI、USB2.0、USB3.0、MAC、BT.1120、PCIE高速信号等等。此版本为简化版。

bhxc809751502的博客 8548

DSP篇--C6678功能调试系列之SPI调试

SPI传输数据分为线上直接收发和通过EDMA的数据传输两种。第一种是直接将数据放在线上(SPIDAT1),在寄存器(SPIBUF)中写入命令实现数据的收发;第二种需要配置EDMA,将数据buffer直接作为EDMA的数据源进行传输,其需要配置的参数和中断与EDMA一致。

nanke_yh的博客 1259

USACO2020DEC第一题(Do You Know Your ABCs)题解

题目 题目描述 Farmer John 的奶牛正在 “mooZ” 视频会议平台上举行每日集会。她们发明了一个简单的数字游戏,为会议增添一些乐趣。 Elsie 有三个正整数 A、B 和 C(A≤B≤C)。这些数字是保密的,她不会直接透露给她的姐妹 Bessie。她告诉 Bessie 七个范围在 1…109 之间的整数(不一定各不相同),并宣称这是 A、B、C、A+B、B+C、C+A 和 A+B+C 的某种排列。 给定这七个整数,请帮助 Bessie 求出 A、B 和 C。可以证明,答案是唯一的。 输入 输入一

风斯在下 2307

Windows 镜像包大全(附百度云下载链接)

插入U盘,找到下载好的两个驱动软件,并安装,先打开驱动人生万能网卡版,安装好网卡驱动,可以接入wifi或者网线了,然后打开驱动精灵,按照提示,安装所有的驱动(中间要是让你重启,就先选择稍后再说,如果有的驱动安装好之后非要你重启,关不掉的那种,那你就重启吧),等全部安装好了,重启电脑。如果你有显卡,这里以英伟达举例,我是GTX960的,当你的驱动都安装好后,右键桌面,会出现一个英伟达控制面板。安装软碟通,下载之后,一直下一步就ok,啥也不用配置,到了最后一项点击“继续试用”即可。(下载里面的网卡版即可),

悦分享 7353

USACO 2020 December Contest, Bronze (铜组测试一)解题报告

USACO 2020 December Contest, Bronze (寒假铜组测试一)解题报告 NEVER GONNA GIVE YOU UP! NEVER GONNA GIVE YOU UP! NEVER GONNA GIVE YOU UP!

cadifobp0802的博客 325

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

USACO 2020 December Contest, BronzeProblem 2. Daisy Chains题解

题目描述: 每天,作为她绕农场行走的一部分,奶牛 Bessie 会经过她最喜爱的草地,其中种有N朵花(五颜六色的雏菊),编号为1…N(1≤N≤100),排列成一行。花i有pi朵花瓣(1≤pi≤1000)。 作为一名崭露头角的摄影家,Bessie 决定给这些花拍些照片。具体地说,对于每一对满足1≤i≤j≤N的花(i,j),Bessie 会给从花i到花j之间的所有花(包括i和j)拍一张照。 后来 Bessie 查看这些照片时注意到有些照片里存在「平均」的花——一朵恰好有P...

weixin_41944566的博客 942

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")

USACO 2020 December Contest, BronzeProblem 3. Stuck in a Rut题解

题目描述 Farmer John 最近扩大了他的农场,从奶牛们的角度看来这个农场相当于是无限大了!奶牛们将农场上放牧的区域想作是一个由正方形方格组成的无限大二维方阵,每个方格中均有美味的草(将每个方格看作是棋盘上的一个方格)。Farmer John 的 N头奶牛(1 <=N <=50)初始时位于不同的方格中,一部分朝向北面,一部分朝向东面。 每一小时,每头奶牛会执行以下二者之一: 如果她当前所在的方格里的草已经被其他奶牛吃掉了,则她会停下。 吃完她当前所在的方格中的所有草,并向她朝...

weixin_41944566的博客 1133

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

[USACO2020Dec铜组第三题]奶牛啃草(Stuck in a Rut)

题目描述 Farmer John 最近扩大了他的农场,从奶牛们的角度看来这个农场相当于是无限大了!奶牛们将农场上放牧的区域想作是一个由正方形方格组成的无限大二维方阵,每个方格中均有美味的草(将每个方格看作是棋盘上的一个方格)。Farmer John 的 N 头奶牛(1≤N≤50)初始时位于不同的方格中,一部分朝向北面,一部分朝向东面。 每一小时,每头奶牛会执行以下二者之一: 如果她当前所在的方格里的草已经被其他奶牛吃掉了,则她会停下。 吃完她当前所在的方格中的所有草,并向她朝向的方向移动一个方格。 经过一.

ycy的博客 2689

USACO 2020 December Contest, BronzeProblem 2. Daisy Chains

USACO 2020 December Contest, BronzeProblem 2. Daisy Chains

HNBDY_的博客 460

USACO 2020 December Contest, BronzeProblem 1. Do You Know Your ABCs?

USACO 2020 December Contest, BronzeProblem 1. Do You Know Your ABCs?

HNBDY_的博客 4351

Do You Know Your ABCs?【暴力】【高斯消元】

>Link luoguP7556 jzoj7219 >Description >解题思路 直接暴力选择+高斯消元判断,暴力判重 (我打的暴力判断+map判重才20分,暴力判断+暴力判重就70分了,果然暴力才是yyds???? >代码 #include <iostream> #include <cstdio> #include <cstring> #include <algorithm> #include <cmath&g

//(^ o ^)// 293

【USACO 2020 US Open Bronze】Social Distancing 2 题解

题目描述 由于高传染性的牛传染病 COWVID-19 的爆发,Farmer John 非常担忧他的奶牛们的健康。 尽管他尽了最大努力使他的 N 头奶牛们(1≤N≤1000)践行“社交距离”,还是有许多奶牛不幸染上了疾病。编号为 1…N 的奶牛们分别位于一条长直道路上的不同位置(相当于一维数轴),奶牛 i 位于位置 xi。Farmer John 知道存在一个半径 R,任何与一头被感染的奶牛距离不超过...

zhy_Learn的博客 2283

(纪中)7219. Do You Know Your ABCs?【高斯消元】

解题思路 我太开心了,T1打了两个小时,结果真的A了!!! 其实思路还是挺简单的,就是多方程解三个未知数。先暴搜枚举每个x_i表示什么(A,B,A+C,A+B+C……),就是题目给出的七种,因为每个x_i都不一样所以这里可以剪枝一下。然后把每个x_i作为一个方程的答案,每个方程的样子是:x∗A+y∗B+z∗C=xix* A+y* B+z* C=x_ix∗A+y∗B+z∗C=xi​. 我们要解的是A,B,C,已知系数x,y,z (因为系数这就是你深搜的东西,如:xi=A+Bx_i=A+Bxi​=A+B...

在人间贩卖声音 264

【gmoj】【暴力】【数学】 Do You Know Your ABCs?

【gmoj】【暴力】【数学】 Do You Know Your ABCs? 题目 解题思路 最多有七个数,分别为A,B,C,A+B,A+C,B+C,A+B+C 可发现A+(B+C)=B+(A+C)=C+(A+B)=A+B+C 枚举每个数放的位置 根据上面的规律求出七个数 必须非负且A<B<C 用数组标记去重 代码 #include<iostream> #include<cstdio> using namespace std; int n,ans,t,f[10],a

Y的博客 253

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 192

【算法拾光】链表 哈希表|K个一组翻转链表 + 两数之和

K个一组翻转链表需分段反转,借助哑节点与前驱指针维护连接,避免断链;两数之和利用哈希表实现O(1)查找,空间换时间,高效定位目标组合。前者考察链表指针操作,后者聚焦映射关系构建,均为面试高频题。

wuqingyigexiaoba的博客 298
上一篇: 【Check Me】关于“不敢做”这件事
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