ZOJ 3826 hash+字符串模拟

题目链接:zoj 3826 Hierarchical Notation

题目大意:

给定一些结构体,结构体有value值和key值一一对应,value可用{}嵌套key和value对。Q次询问,输出每个key值对应的value值。

解题思路:

用递归将key值映射成一个hash值,这个思路个人觉得很像在p(=131)进制下把一个字符当一位,一个字符串当一个p进制的数,因为ASCII码范围在128以内,所以明显hash只不会产生冲突。
用map映射每个key的value起始终止位置,预处理完了查询就很简单了。

然后预处理出所有具体key值(嵌套的之间加 ‘.’ 字符)的hash,map映射出hash的对应子串的左右坐标。
再模拟请求输出。

#include <iostream>
#include <stdio.h>
#include <string.h>
#include <map>
using namespace std;

const int maxn=500007;
char s[maxn],t[maxn];
int q,mv,cas;
typedef unsigned long long ull;
map <ull,pair<int,int> > mp; 
const ull p=131;

void pre (ull hash){
    ull tmp=hash;
    int left;
    while (s[mv]!='}'){
        mv++;
        if (s[mv]=='}')
            return ;
        hash=tmp;
        while (s[mv]!=':'){
            hash=hash*p+s[mv];
            mv++;
        }
        left=++mv;
        if (s[mv]=='{')
            pre (hash*p+'.');
        else
            while (s[mv+1]!=','&&s[mv+1]!='}')
                mv++;
        mp[hash]=make_pair(left,mv);
        // cout<<left<<' '<<mv<<' '<<hash<<endl;
        mv++;
    }
}

void work (){
    ull hash;
    int len;
    cin>>q;
    for (int i=1;i<=q;i++){
        scanf ("%s",t+1);
        len=strlen (t+1);
        hash=0;
        for (int j=1;j<=len;j++){
            hash=hash*p+t[j];
        }
        // cout<<t<<' '<<hash;
        if (mp.count(hash)){
            pair<int,int>tmp=mp[hash];
            for (int j=tmp.first;j<=tmp.second;j++){
                printf ("%c",s[j]);
            }
            printf ("\n");
        }
        else 
            printf("Error!\n");
    }
}

int main (){
    cin>>cas;
    while (cas--){
        scanf ("%s",s+1);
        mp.clear();
        mv=1;
        pre (0);
        work();
    }
}
本项目聚焦于利用Tensorflow框架搭建完整的卷积神经网络(CNN)以实现文本分类任务。文本分类是自然语言处理的关键应用,目的是将文本自动归类到预定义的类别中。项目涵盖从数据预处理到模型训练、评估及应用的全流程。 README.md文件详细阐述了项目概览、安装步骤、运行指南和注意事项,包括环境搭建、代码运行说明以及项目目标和预期结果的介绍。 train.py是模型训练的核心脚本。在Tensorflow中,首先定义模型结构,涵盖CNN的卷积层、池化层和全连接层。接着,加载数据并将其转换为适合模型输入的格式,如词嵌入。之后,设置损失函数(如交叉熵)和优化器(如Adam),并配置训练循环,包括批次大小和训练步数等。训练过程中,模型通过调整权重来最小化损失函数。 text_cnn.py文件包含CNN模型的具体实现细节,涉及卷积层、池化层的构建以及与全连接层的结合,形成完整模型。此外,还可能包含模型初始化、编译(设定损失函数和评估指标)及模型保存功能。 eval.py是用于模型评估的脚本,主要在验证集或测试集上运行模型,计算性能指标,如准确率、精确率、召回率和F1分数,以评估模型在未见过的数据上的表现。 data_helpers.py负责数据预处理,包括分词、构建词汇表、将文本转换为词向量(如使用预训练的Word2Vec或GloVe向量),以及数据划分(训练集、验证集和测试集)。该文件还可能包含数据批处理功能,以提高模型训练效率。 data文件夹存储了用于训练和评估的影评数据集,包含正负面评论的标注数据。数据预处理对模型性能至关重要。本项目提供了一个完整的端到端示例,是深度学习文本分类初学者的优质学习资源。通过阅读代码,可掌握利用Tensorflow构建CNN处理文本数据的方法,以及模型管理和评估技巧。同时,项目展示了如何使用大型文本数据集进行训练,这对提升模型泛化能力极为重要。
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