省选模拟赛2022/3/4

本文记录了作者在省选模拟赛中各环节的时间分配,重点讨论了T2和T3的解题过程,以及赛后关于打表技巧、算法优化和问题解决的反思。

省选模拟赛2022/3/4

比赛时间安排

7.30-7.40
三道题的暴力都可写,t2还能打表呢

7.40-8.00
t1的暴力很快写完了,tarjan缩点一下ok

8.00-8.40
推t2的样例理解题意就用了挺久的,才知道1也算一个城市,写代码挺快,就是调bug,刚开始用的bfs,但是发现没办法判环,所以就改用了dfs,样例过了,然后就开始打表,打到8太慢了,于是就去写别的了

8.40-9.00
t3的暴力写完了,感觉复杂度还是有那么一点点打,用了个差分,虽然还是只有20

发现正在打表的程序结束了,我以为是我不小心关了,自闭,于是又去开了一次,结果20分钟后又关了,我以为程序崩了,打不出来,就只写了50分

9.00-10.30 乱想
t1看到第二档分,我发现,每条边出现的时间都是一个连续的区间,于是就在想线段树分治,感觉真的非常像!!但是发现自己并不会维护一个环,连通块还好,环就不行了。
又在想会不会是莫队,但是依然要对环进行维护,没有想法

t2后面的完全没思路,放弃

t3感觉我只要再优化一下,用n^2的就行,于是就死磕t3了。
我顺着原来的思路,发现好像可以二次差分!因为我要找的R也是一段连续的(对于相同的l来说),所以我用vector存下对于每个l,合法的r的值,这样复杂度就对了,然而我根本调不出来!

赛后总结反思

  1. 打表要用文件输入输出啊!!!
  2. t3有这个想法是好的,应该在纸上自己写一个有代表性的例子,然后再开始写代码
训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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