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

VScode+MPLAB AI助手:Microchip MCU开发全流程实战解析

本文详细解析了如何使用VScode搭配MPLAB AI助手进行Microchip MCU开发的完整流程。从环境配置、工程创建到代码生成与调试,全面介绍了AI助手在提升开发效率、优化代码和故障排除方面的实际应用,为嵌入式开发者提供了一套高效的开发解决方案。

hh234的博客 1131

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+

android HTTPS未校验服务器证书漏洞修复

上述代码是重写了域名校验的逻辑,每个证书里携带的域名是不可更改的,如果证书是合法的证书签发机构签发的,并且域名是和你要请求的域名对的上的,基本上就能确认你访问就服务器地址就是要访问的服务器地址,这样才是安全的。上述代码就是重新了证书校验的逻辑,信任所有的证书,正确的逻辑是要校验证书是否是可信任的证书签发机构所认证的,如果不校验的话你虽然是用了https加密传输,只要你的客户端用户信任了其他的证书哪怕是非法的证书,一样能够请求通过,而这个证书的服务器就可以解密你的报文,拿到你的隐私信息了。

kyzycyey的专栏 2622

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

运算放大器基础1——用作比较器

运算放大器,运放,在电路设计中非常常见。在图2中,当前状态下,开关切换到0V,“正相输入”和“负相输入”都是接地,运放两个输入端电压相同。最后,调节可变电阻,使其两端电压大于3.37V,比如3.43V,作为运放正相输入,由于电压大于反相输入,LED点亮(运放输出为5V)。其次,调节可变电阻,使其两端电压小于3.37V,比如2.09V,作为运放正相输入,由于电压小于反相输入,LED不点亮。好,现在我们将0.1V电源换个方向,这样实际“正相输入”的是-0.1V,比“负相输入”的电压要低,看看输出是什么?

m0_60069998的博客 6123

2025年MathorCup数学应用挑战赛【B题完整论文】附参考代码(免费分享)

摘。

RS_handy的博客 2694

[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

USB设备识别码VID和PID详解:如何查询和自定义你的设备ID

本文详细解析了USB设备识别码VID和PID的核心作用、查询方法及自定义配置技巧。VID(供应商识别码)和PID(产品识别码)是USB设备的唯一身份证,用于驱动匹配和功能识别。文章提供了Windows和Linux系统下的查询方法,并探讨了如何合法获取和自定义VID/PID,适合硬件开发者和DIY爱好者参考。

weixin_29168675的博客 1453

[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

Dify Rerank 模型配置全流程解析:从报错定位到代码实现

Dify Rerank 模型配置全流程解析:从报错定位到代码实现

engchina的专栏 4470

电脑蓝牙与ESP32蓝牙连接,让电脑发现ESP32

让PC发现ESP32蓝牙

injre! injre~ 5445

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

46、大数据助力SDN优化流量管理与控制器

本文探讨了大数据在软件定义网络(SDN)中的应用,重点分析了如何利用大数据技术优化SDN控制器的可扩展性和弹性。通过介绍SDN控制器的核心功能及其面临的挑战,提出了集中式、分布式、混合式和分层式控制器放置策略,并结合大数据分析系统架构与技术,详细阐述了在控制器放置优化、流聚合和备份路径识别等场景中的实际应用。文章还给出了大数据分析在SDN控制器优化中的操作流程与优势,展望了未来结合人工智能与物联网的发展方向,强调了数据安全与算法效率的重要性。

xx56789的博客 86

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

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

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。

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

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

[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