PATA1039_map(难度:⭐️⭐️)

LVGL v8.3 图片显示与解码缓存实战:PNG 上屏、C 数组与文件双方案 LVGL v8.3 图片两种存储方式、PNG/JPG 上屏解码器挂载、LV_IMG_CACHE_DEF_SIZE 缓存调优、手动预解码头像有效性判断,及"缓存被动画清空"真实踩坑。 阅读详情

如果这个题不允许用map(数据量超大),可以用一位数组来映射,把名字转换为数字,仍然是唯一的。


#include <bits/stdc++.h>
using namespace std;
unordered_map<string, vector<int>> mp;
int main() {
    int n, k, course, num;
    string name;
    scanf ("%d %d", &n, &k);
    for (int i = 0; i < k; i++) {
        scanf ("%d %d", &course, &num);
        for (int j = 0; j < num; j++) {
            cin >> name;
            mp[name].push_back(course);
        }
    }
    for (int i = 0; i < n; i++) {
        cin >> name;
        sort (mp[name].begin(), mp[name].end());
        printf ("%s %d", name.c_str(), mp[name].size());
        for (auto it : mp[name]) {
            printf (" %d", it);
        }
        printf ("\n");
    }
}

产业园区如何高效对接企业技术需求与高校科研成果?.docx 科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。 立即下载

相关推荐

国央企创新负责人如何快速掌握本地科技资源分布与匹配情况?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

PATA1134_hash(遇到开10000 * 10000数组的问题)

这个题如果开vis[10000][10000]第三、四测试点过不去。利用hash,开一个map<int, bool>。hash函数:a * 10000 + b。思考:不可能每个节点之间都有关系,所以再1000 * 1000以上数量的节点的图,要占用(10^8/ 2^20)~= 95.3MB内存,用邻接矩阵的话太大,太浪费了。 #include <bits/stdc++.h> using namespace std; unordered_map<int, vector&lt.

YYHCODE的博客 347

国央企创新负责人如何实现科技成果的精准识别与高效筛选?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

PATA1069_测试点安排!(难度:⭐️⭐️)

测试点找了半小时全给你找齐了,拿了留个评论????。 测试点: 测试点2:1000。每次运算都要补0因为1000 - 0001 = 0999,如果不补0就会出错(我就是卡在这)。 其他测试点:有可能是小于1000的数, 1。 测试点5:输入的就是6174。 #include <bits/stdc++.h> using namespace std; bool cmp (char a, char b) { return a > b; } int main() { int

YYHCODE的博客 336

牛顿法vs高斯牛顿法vs LM算法:三行代码说清核心区别(附性能对比表格)

本文通过对比牛顿法、高斯牛顿法和LM算法的核心迭代代码,揭示了三者在非线性最小二乘优化中的本质区别。LM算法通过引入阻尼因子,在高斯牛顿法的快速收敛与梯度下降的稳定性之间取得平衡,成为工程实践中鲁棒性最强的首选。文章还提供了清晰的性能对比表格,帮助开发者根据初始估计和问题性质快速选择合适算法。

weixin_29062255的博客 419

WRF移动嵌套结合伏羲模型与CFD(PALM)高精度多尺度降尺度分析研究

WRF移动嵌套(Moving Nesting):动态调整高分辨率嵌套网格位置,追踪天气系统(如台风、强对流系统)以提高局地预报精度。伏羲(Fuxi)模型:国产数值模式,提供对WRF模拟的初始及边界条件优化。CFD(Computational Fluid Dynamics)PALM模型:精细化局地流场、湍流、温度分布。

m0_57411304的博客 1716

PATA1108_测试点3巨坑(难度:⭐️⭐️⭐️)

测试点3应该是类似于大于1000然后还有个小数点的,例如:1001. 按照题目要求.42或者是42.都是合法的 我原来判断小数点都默认把带有小数点的树都在合法范围内,没有判断是不是在[-1000,1000]内 测试点三就一直过不去????; #include <bits/stdc++.h> using namespace std; bool judge (string s) { int cntClum = 0; for (int i = 0; i < s.size

YYHCODE的博客 284

图信号处理中的多尺度分析:图小波变换与图傅里叶变换的对比与应用

本文深入探讨了图信号处理中的多尺度分析方法,重点对比了图小波变换(GWT)与图傅里叶变换(GFT)的技术特点与应用场景。通过分析图的拓扑结构,GWT展现出强大的局部洞察力,适用于异常检测和社区发现;而GFT则擅长全局频率分析,适合趋势分析和信号去噪。文章结合实战案例,为读者提供了方法选型指南和前沿进展,帮助开发者在生物信息学、社交网络分析等领域高效应用这些技术。

weixin_30369041的博客 406

PATA1060_测试点3_模拟(难度:⭐️⭐️⭐️)

这个题看似不难,但是细节处理还是有点烦的。 注意几个点: 1、首先判断小数点的位置,然后看去掉小数点后,字符串长度是否大于等于n。这里是要分别处理的,如果小于n的话要补0. 2、第一次交测试点3没过 想了一下测试用例:20.0340.03 自己的程序并没有考虑到数字是0.XXX的,所以在方法前面又加了判断是否是小于1的小数。最后就A了。 #include <bits/stdc++.h> using namespace std; int n; string tran(stri..

YYHCODE的博客 263

【KDD2024】ShapeFormer:用于多元时间序列分类的Shapelet Transformer

多元时间序列分类(MTSC)因其在现实世界中的广泛应用而吸引了大量研究关注。最近,Transformer在MTSC中取得了先进的性能。然而,

m0_52597077的博客 4747

AR Tag 与 ROS:从基础部署到机器人视觉定位实战

本文详细介绍了AR Tag技术在ROS环境下的部署与应用,涵盖从基础原理到机器人视觉定位的实战技巧。通过分析AR Tag的特征提取、位姿解算等核心技术,结合ROS工具包`ar_track_alvar`的配置优化,帮助开发者实现高精度的视觉定位系统。文章还分享了深度相机配置、坐标转换及性能优化等实用经验,适用于仓储机器人、物流分拣等场景。

weixin_33146151的博客 181

PATA1137_一道考基础的题

这道题考点应该是map<string, 结构体>,其他的都是基础。 si hse wu #include<bits/stdc++.h> using namespace std; struct stu { int Gp, Gm = -1, Gf = -1, G; string id; }; unordered_map<string, stu> mp; vector<stu> v; bool cmp (stu a, stu b) {

YYHCODE的博客 256

PyTorch实战:A2C算法在Pendulum环境中的调参技巧与收敛优化

本文详细介绍了使用PyTorch实现A2C算法在Pendulum环境中的调参技巧与收敛优化方法。通过分析Pendulum环境特性、设计高效的网络架构、优化超参数设置以及提升训练稳定性,帮助开发者掌握强化学习中的policy-based方法。文章特别强调了奖励工程、优势估计改进和梯度裁剪等关键优化策略,为连续控制任务提供了实用解决方案。

rum55的博客 213

PATA1085_测试点4(难度:⭐️⭐️⭐️)

测试点4死活过不去,以后再想吧。。。 测试点三是长度为1. #include<bits/stdc++.h> using namespace std; vector<long long> v; int main() { int maxnum = 0, n; long long p, len = 0; scanf ("%ld %lld", &n, &p); vector<long long> v(n); for (

YYHCODE的博客 256

国科大学习资料--数据挖掘(刘莹)--第三章习题及参考答案

国科大学习资料–数据挖掘(刘莹)–第三章习题及参考答案 国科大学习资料–数据挖掘(刘莹)–第三章习题及参考答案 国科大学习资料–数据挖掘(刘莹)–第三章习题及参考答案 第 3 章分类与回归 3.1简述决策树分类的主要步骤。 答:决策树生成的过程如下: (1)对数据源进行数据预处理, 得到训练集和测试集; (2)对训练集进行训练; (3)对初始决策树进行树剪枝; (4)由所得到的决策树提取分类规则; (5)使用测试数据集进行预测,评估决策树模型; 3.2给定决策树,选项有:(1)将决策树转换成规则,然后对结果

无名何许人的博客 3092

uniapp - [微信小程序 | 安卓苹果app] 详细实现接入天地图完整流程,提供显示地图、IP 属地定位 / 用户定位的城市名称、用户定位的经纬度超多功能(复制运行示例代码,详细注释及常见问题)

uni-app,微信小程序,安卓app,苹果app,App端,支付宝小程序,nvue,天地图,国家天地图api,接入使用天地图,uniApp小程序端接入天地图,uniapp安卓苹果app端接入天地图,微信小程序平台如何引入天地图,天地图Api使用教程,如何在uniapp里集成天地图,使用天地图获取当前定位,天地图api教程,天地图官方文档,天地图详细使用教程,Uniapp项目如何使用天地图,项目引入天地图配置及使用教程,使用天地图获取用户定位,天地图获取用户当前位置信息(经纬度),如何通过天地图拿到用户定位

🏆 前端领域优质创作者 1万+

PATA1123_完全AVL树(模版题)

首先要知道完全二叉树,AVL树的定义。这个题看似复杂,但是分解为每一个小问题还是不难的。判断完全二叉树的方法就是,用after记录若某个节点的左子树为NULL时置为1,若还有节点push进来那就代表不是完全二叉树。 #include<bits/stdc++.h> using namespace std; struct node { int val; struct node *lc, *rc; }; node* leftRotate (node *tree) { nod

YYHCODE的博客 235

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

PATA1104_double导致的精度问题(难度:⭐️⭐️⭐️⭐️)

这个题目感觉出的不是很好,如果要考察double导致的精度问题。其实可以在题目末尾note,稍微提醒一下题目会在double精度问题上出考点,那就好了。考生应该是去解决问题,而不是猜问题。看了这位老哥写的非常好,https://blog.zhengrh.com/post/about-double/。其实学过计组的都知道,其实计算机用二进制是无法精确表达一些小数的,例如 0.3在二进制中只能近似表达,那么如果是用较大的数乘计算机中存储的0.3。就会出现误差,只能用string文本类型保存输入,并且自己写

YYHCODE的博客 233

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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")

PATA1135_红黑树(还是蒙的)

这个题直接没读懂,看了柳神的代码后自己照葫芦画瓢写了。还是有几个点没有搞懂。等二刷再来看看。 #include <bits/stdc++.h> using namespace std; struct tree { int v; tree *lc, *rc; }; vector<int> arr; tree *bulid (tree *root, int v) { if (root == NULL) { root = new tree();

YYHCODE的博客 231

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

PATA1025_STL(难度:⭐️⭐️)

没啥难度上代码。 #include <bits/stdc++.h> using namespace std; struct node { string id; int g, lct, lctRank; }; vector<node> ans; vector<vector<node>> v; bool cmp (node a, node b) { if (a.g != b.g) return a.g > b.g; ret

YYHCODE的博客 219

PATA1138_偷鸡大法

知道前序和中序,那么后序的第一个数一定是前序左子树(若有左子树),或是右子树的最后一个数。前序:根左右,中序:左根右,后序:左右根。 #include <bits/stdc++.h> using namespace std; vector<int> pre, in; int main() { int n; scanf ("%d", &n); pre.resize(n); in.resize(n); for (int i = 0; i

YYHCODE的博客 216

PATA1012_思路!简短代码,测试点!(难度:⭐️⭐️⭐️⭐️)

为了不用写四个cmp,可以用4个vector来表示四种成绩。 然后用一个map<string, vector<node>>来记录顺序。 为了实现优先级我把每科的名字用a ~ d重定义了一下,最后也只需要 char数组[ 科目- 'a']就行了,详情看代码。 // a = avg, b = C, c = M, d = E 一开始我是用set<string>来自动排序,例如第一名1和科目a就是,"1a"。但是这样会有两个问题,"11a"会排在"1a"前面,也就是说..

YYHCODE的博客 215

PATA1077_模拟(难度:⭐️)

倒过来就方便了很多,一开始自己还把空格排除了,原来都是算的。 #include <bits/stdc++.h> using namespace std; vector<string> v; int main() { int n; scanf ("%d", &n); v.resize(n); getchar(); for (int i = 0; i < n; i++) { getline(cin, v[i]);

YYHCODE的博客 203

PATA1083_测试点3巨坑(恶心度:⭐️⭐️⭐️⭐️)

一开始我是以学号为key,自己还想分数和名字可能测试点里会有重复的。但是!居然测试点里学号有重复的,导致我一直过不去测试点3。本来十分钟搞定的题目,改了40多分钟。在我快放弃的时候,把key换成分数就过了。。。真的无语???? #include<bits/stdc++.h> using namespace std; struct stu { string name, id; int g; }; unordered_map<int, stu> mp; vector&

YYHCODE的博客 197

2021年秋季甲级91分

后三个题一个半小时AC,第一个题最后都只是11分。。。最后10分钟想起来用map,打表太大了。但是调试好切回去就到时间了????。留有遗憾。 第二个题第一次交好像是19分,改了一下就AC了。后两个都是一次性AC。主要是觉得一个半小时做20分的题,自己就有点松懈了,一开始想过用map但是觉得打表好像也可以就陷进去了。 ...

YYHCODE的博客 189

static 的三种用法:C 语言里一个关键字的三张面孔

本文系统讲解 C 语言中 static 关键字的三种用法:修饰局部变量延长生命周期、修饰全局变量与函数限制作用域到本文件。通过一个包含三个文件的完整工程示例对照演示,并从存储期、作用域与链接性三个属性解释其统一原理,最后补充单元测试框架偏爱 static 函数的工程实践。

大模型全栈工程师 · Thanks_ks 318
上一篇: PATA1040_模拟(难度:⭐️⭐️)
下一篇: PATA1038_STL(难度:⭐️⭐️⭐️)
YYHCODE
博客等级 码龄10年 0粉丝 132原创
评论
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