SDUT 1304 取数字问题

该博客讨论了一个从矩阵左上角到右下角的路径选择问题,目标是找到数字之和最小的正整数路径。题目允许的步长为向右或向下,要求路径上的数字必须被选取。博主通过深度优先搜索(DFS)的方法解决了这个问题,并提到虽然全量遍历可能耗时,但在本题范围内可行。最后,博主提出了在DFS过程中遇到负数总和时的处理策略,即不抛弃负数路径,而在最后一步进行判断,确保结果为正整数。

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

1.题目

Time Limit: 1000 ms Memory Limit: 65536 KiB
Problem Description
给定M×N的矩阵,其中的每个元素都是-10到10之间的整数。你的任务是从左上角(1,1)走到右下角(M,N),每一步只能够向右或者向下,并且不能够走出矩阵的范围。你所经过的方格里面的数字都必须被选取,请找出一条最合适的道路,使得在路上被选取的数字之和是尽可能小的正整数。
Input
输入第1行是两个整数M和N,(2<=M<=10,2<=N<=10),分别表示矩阵的行和列的数目。接下来M行,每行包括N个整数,就是矩阵中的每一行的N个元素。
Output
输出只有一行,就是一个整数,表示所选道路上数字之和所能达到的最小正整数。如果不能达到任何正整数,输出-1。
Sample Input

2 2
0 2
1 0

Sample Output

1

2.正确代码

#include <iostream>
#include <algorithm>
#include <stdlib.h>
#include <memory.h>
using namespace std;
int 
### 手写数字识别实验:MNIST 数据集与 Python 代码示例 手写数字识别是一个经典的机器学习问题,通常使用 MNIST 数据集进行训练和测试。MNIST 数据集包含 60,000 张训练图像和 10,000 张测试图像,每张图像是 28x28 像素的灰度图像,表示从 0 到 9 的手写数字[^5]。 以下是基于 MNIST 数据集的手写数字识别实验的 Python 代码示例,使用 TensorFlow 和 Keras 框架实现: ```python import tensorflow as tf from tensorflow.keras import layers, models import matplotlib.pyplot as plt # 加载 MNIST 数据集 mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() # 数据归一化处理 x_train, x_test = x_train / 255.0, x_test / 255.0 # 构建神经网络模型 model = models.Sequential([ layers.Flatten(input_shape=(28, 28)), # 将输入图像展平为一维向量 layers.Dense(128, activation='relu'), # 全连接层,激活函数为 ReLU layers.Dropout(0.2), # Dropout 层,防止过拟合 layers.Dense(10, activation='softmax') # 输出层,激活函数为 Softmax ]) # 编译模型 model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) # 训练模型 history = model.fit(x_train, y_train, epochs=5, validation_data=(x_test, y_test)) # 评估模型 test_loss, test_acc = model.evaluate(x_test, y_test, verbose=2) print(f'\nTest accuracy: {test_acc}') # 可视化训练过程 plt.plot(history.history['accuracy'], label='accuracy') plt.plot(history.history['val_accuracy'], label='val_accuracy') plt.xlabel('Epoch') plt.ylabel('Accuracy') plt.ylim([0, 1]) plt.legend(loc='lower right') plt.show() ``` 此代码实现了以下功能: 1. **加载数据**:通过 `tf.keras.datasets.mnist` 加载 MNIST 数据集,并对数据进行归一化处理。 2. **构建模型**:使用 Keras 构建一个简单的全连接神经网络,包含一个隐藏层(128 个神经元)和一个输出层(10 个类别)。 3. **编译模型**:选择优化器、损失函数和评估指标。 4. **训练模型**:在训练数据上训练模型,并记录训练过程中的准确率和验证准确率。 5. **评估模型**:在测试数据上评估模型性能,并绘制准确率变化曲线。 ### 实验报告建议内容 - **实验目的**:明确实验目标,例如熟悉深度学习框架 TensorFlow/Keras,了解 MNIST 数据集及其用途。 - **实验环境**:列出实验所需的软件环境,如 Python 版本、TensorFlow 版本等。 - **实验步骤**:详细描述代码实现的每个部分,包括数据预处理、模型构建、训练和评估。 - **实验结果**:展示模型的训练和测试结果,分析模型性能。 - **总结与改进**:总结实验中遇到的问题及解决方法,提出可能的改进方向,如尝试卷积神经网络(CNN)以提高识别准确率。 ---
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