魏传之长坂逆袭、蜀传之单刀赴会、吴传之火烧连营

【科研建模】Pycaret自动机器学习框架使用流程及多分类项目实战案例详解 对pycaret的使用流程进行梳理,并详细介绍了基于多分类预测的案例 阅读详情

A、魏传之长坂逆袭

时间限制: 1 Sec  内存限制: 128 MB

题目描述

众所周知,刘备在长坂坡上与他的一众将领各种开挂,硬生生从曹操手中逃了出去,随后与孙权一起火烧赤壁、占有荆益、成就霸业。而曹操则在赤壁一败后再起不能,终生无力南下。

建安二十五年(220年),曹操已到风烛残年,但仍难忘当年长坂的失误,霸业的破灭。他想如果在刘备逃亡的路中事先布下一些陷阱,便能拖延刘备的逃脱时间了。你作为曹操身边的太傅,有幸穿越到了208年的长坂坡,为大魏帝国贡献一份力,布置一些陷阱。但时空守卫者告诉你你不能改变历史,不能拖增大刘备的最大逃脱时间,但你身为魏武之仕,忠心报国,希望能添加一些陷阱使得刘备不论怎么逃跑所用的时间都一样。

已知共有n个据点,n-1条栈道,保证据点联通。1号据点为刘备军逃跑的起点,当刘备军跑到某个据点后不能再前进时视为刘备军逃跑结束。在任意一个栈道上放置1个陷阱会使通过它的时间+1,且你可以在任意一个栈道上放置任意数量的陷阱。

现在问你在不改变刘备军当前最大逃跑时间的前提下,需要添加最少陷阱,使得刘备军的所有逃脱时间都尽量的大。

输入

 第一行一个数n,表示据点个数。

    接下来n-1行每行三个数,ai、bi、ti,表示从据点ai通过第i个栈道到bi耗时ti

输出

仅包含一个数,为需要添加的最少陷阱数。

样例输入

3 1 2 1 1 3 3

样例输出

2

提示

【数据规模和约定】

对于 5%的数据,1<=n<=100000,1<=ti<=200000

对于 100%的数据,1<=n<=500000,0<ti<=1000000

 

这是一棵树

每次对于深度越低的点能放多少陷阱就放多少陷阱

#include<cstdio> 
#include<iostream>
#define ll long long
using namespace std;
int read()
{
    int ret=0; char ch=getchar();
    while(ch<'0'||ch>'9') ch=getchar();
    while(ch>='0'&&ch<='9')
        ret=(ret<<1)+(ret<<3)+ch-'0',ch=getchar();
    return ret;
}
 
const int N=1e6+5; 
int n,num,id[N];
ll mx,ss[N],a[N],ans;
int cnt,he[N],to[N],nxt[N],w[N];
 
inline void add(int u,int v,int k)
{
    to[++cnt]=v,w[cnt]=k,nxt[cnt]=he[u],he[u]=cnt;
}
 
void dfs(int u,ll s)
{
    bool ch=0;
    for(int e=he[u];e;e=nxt[e])
        ch=1,dfs(to[e],s+w[e]);
    if(!ch) mx=max(mx,s),id[++num]=u,ss[num]=s;
}
 
void dfs1(int u)
{
    if(he[u]) a[u]=1e18;
    for(int e=he[u];e;e=nxt[e])
    {
        int v=to[e];
        dfs1(v); a[u]=min(a[u],a[v]);
    }
    for(int e=he[u];e;e=nxt[e])
        ans+=a[to[e]]-a[u];
}
int main()
{
    n=read();
    for(int i=1;i<n;i++)
    {
        int u=read(),v=read(),k=read();
        add(u,v,k);
    }
    dfs(1,0);
    for(int i=1;i<=num;i++)a[id[i]]=mx-ss[i];
    dfs1(1);
    printf("%lld",ans);
    return 0;
}

 

B、蜀传之单刀赴会

时间限制: 1 Sec  内存限制: 128 MB

题目描述

【题目背景】

公元215年,刘备取益州,孙权令诸葛瑾找刘备索要荆州。刘备不答应,孙权极为恼恨,便派吕蒙率军取长沙、零陵、桂阳三郡。长沙、桂阳蜀将当即投降。刘备得知后,亲自从成都赶到公安(今湖北公安),派大将关羽争夺三郡。孙权也随即进驻陆口,派鲁肃屯兵益阳,抵挡关羽。双方剑拔弩张,孙刘联盟面临破裂,在这紧要关头,鲁肃为了维护孙刘联盟,不给曹操可乘之机,决定当面和关羽商谈。“肃邀羽相见,各驻兵马百步上,但诸将军单刀俱会”。双方经过会谈,缓和了紧张局势。随后,孙权与刘备商定平分荆州,“割湘水为界,于是罢军”,孙刘联盟因此能继续维持。

【问题描述】

关羽受鲁肃邀请,为了大局,他决定冒险赴会。他带着侍从周仓,义子关平,骑着赤兔马,手持青龙偃月刀,从军营出发了,这就是历史上赫赫有名的“单刀赴会”。关羽平时因为军务繁重,决定在这次出行中拜访几个多日不见的好朋友。然而局势紧张,这次出行要在限定时间内完成,关公希望你能够帮助他安排一下行程,安排一种出行方式,使得从军营出发,到达鲁肃处赴会再回来,同时拜访到尽可能多的朋友,在满足这些条件下行程最短。注意拜访朋友可以在赴会之前,也可以在赴会之后。现在给出地图,请你完成接下来的任务

输入

   第一行n,m,k,t,代表有n个地点,m条道路,有k个朋友(不包括鲁肃),以及限定时间t(行走1单位长度的路程用时1单位时间)。

    接下来m行,每行有x,y,w三个整数,代表x和y之间有长度为w的道路相连。

    接下来一行有k个整数,代表朋友所在的都城编号(保证两两不同,且不在1和n)

   (我们约定1是关羽的营地,n是鲁肃的营地)

输出

输出两个整数,分别是最多可以拜访的朋友数,以及在这种情况下最少需要耗费的时间,如果连到达鲁肃再回来都无法完成,输出一个-1就可以了。

样例输入

5 7 2 15 1 2 5 1 3 3 2 3 1 2 4 1 3 4 4 2 5 2 4 5 3 2 4

样例输出

2 14

提示

【数据规模和约定】

有10%数据,n<=10,m<=50,k<=5;

有10%数据,k=0;

有10%数据,k=1;

另30%数据,k<=5;

对于100%数据,n<=10000,m<=50000,k<=15,t<=2147483647,w<=10000

 

先跑一遍dijkstra,然后状压dp

#include<cstdio>
#include<queue>
#include<iostream>
#define ll long long
using namespace std;
int read()
{
    int ret=0; char ch=getchar();
    while(ch<'0'||ch>'9') ch=getchar();
    while(ch>='0'&&ch<='9') 
        ret=(ret<<1)+(ret<<3)+ch-'0',ch=getchar();
    return ret;
}
  
const int N=2e5+5;
int n,m,p,t,a[25],d[N],dis[25][25],num[N];
ll f[25][N];
int cnt,he[N],to[N],nxt[N],w[N],ans,anss;
bool fl[N];
struct NA{
    int id,x;
};
bool operator >(NA i,NA j)
{
    return i.x>j.x;
}
priority_queue<NA,vector<NA>,greater<NA> >q;
   
inline void add(int u,int v,int k)
{
    to[++cnt]=v,nxt[cnt]=he[u],w[cnt]=k,he[u]=cnt;
}
  
int dist(int s,int g)
{
    while(!q.empty()) q.pop();
    for(int i=1;i<=n;i++) fl[i]=0,d[i]=2e9;
    q.push((NA){s,d[s]=0});
    for(int i=1;i<=n;i++)
    {
        while(!q.empty()&&fl[q.top().id]) q.pop();
        if(q.empty()) break;
        int u=q.top().id; q.pop(); fl[u]=1;
        if(u==g) break;
        for(int e=he[u];e;e=nxt[e])
        {
            int v=to[e];
            if(!fl[v]&&d[v]>d[u]+w[e]) 
                q.push((NA){v,d[v]=d[u]+w[e]});
        }
    }
    return d[g];
}
  
int main()
{
    n=read(),m=read(),p=read(),t=read();
    for(int i=1;i<=m;i++)
    {
        int u=read(),v=read(),k=read();
        add(u,v,k),add(v,u,k);
    }
    for(int i=1;i<=p;i++) a[i]=read();
    a[p+1]=1,a[p+2]=n;
    for(int i=1;i<=p+2;i++)
        for(int S=0;S<1<<p+2;S++) f[i][S]=1e15;
    ll x=dist(1,n);
    if(x==2e9||x<<1>t) 
    {
        puts("-1"); return 0;
    }
    for(int i=1;i<p+2;i++)
        for(int j=i+1;j<=p+2;j++) 
            dis[j][i]=dis[i][j]=dist(a[i],a[j]);
    f[p+1][1<<p]=0;
    for(int S=0;S<1<<p+2;S++)
        if(!(S&1<<p))
        {
            int SS=S|1<<p;
            for(int i=1;i<=p+2;i++)
                for(int j=1;j<=p+2;j++)
                    if(i!=j&&1<<j-1&SS&&f[j][SS]!=1e15&&dis[i][j]!=2e9)
                        f[i][SS|1<<i-1]=min(f[i][SS|1<<i-1],f[j][SS]+dis[i][j]);
        }
    for(int S=1;S<1<<p+2;S++) num[S]=num[S-(S&-S)]+1;
    ans=0; anss=x<<1;
    for(int SS=0;SS<1<<p;SS++)
    {
        int S=SS|1<<p|1<<p+1;
        for(int i=1;i<=p+2;i++)
        {
            if((1<<i-1)&S&&f[i][S]!=1e15)
            {
                ll ti=f[i][S]+dis[i][p+1];
                if(ti<=t)    
                    if(ans==num[S]) anss=min(anss,(int)ti);
                        else if(ans<num[S]) ans=num[S],anss=ti;
            }
        }
    }
    printf("%d %d\n",ans-2,anss);
    return 0;
}

 

C、吴传之火烧连营

时间限制: 1 Sec  内存限制: 128 MB  Special Judge

题目描述

【题目背景】

蜀汉章武元年(221年),刘备为报吴夺荆州、关羽被杀之仇,率大军攻吴。吴将陆逊为避其锋,坚守不战,双方成对峙之势。蜀军远征,补给困难,又不能速战速决,加上入夏以后天气炎热,以致锐气渐失,士气低落。刘备为舒缓军士酷热之苦,命蜀军在山林中安营扎寨以避暑热。陆逊看准时机,命士兵每人带一把茅草,到达蜀军营垒时边放火边猛攻。蜀军营寨的木栅和周围的林木为易燃之物,火势迅速在各营漫延。蜀军大乱,被吴军连破四十余营。陆逊火烧连营的成功,决定了夷陵之战蜀败吴胜的结果。

 

【问题描述】

刘备带兵深入吴境,陆逊却避而不出,蜀军只得在山林中安营扎寨。而刘备在扎营时却犯了兵家大忌,将兵营排列成一条直线,远远看去,就像是一条串着珠子的链,美其名曰:链寨。如果吴军将领是一般人,那么这也许不算什么,而陆逊何许人也,他可是江东才子,能力不低于周瑜的一代儒将。他看到刘备这样排阵,心生一计,决定用火攻破阵。然而,火计除了要有风,选定引火点也非常重要,对于刘备的布阵,最佳引火点一定是n个兵营中的一个。而因为风水轮流转,每天的最佳引火点都不一样。我们给每个兵营定下一个固定不变的火攻值Ai,每天定下一个风水值K,对于每天的最佳引火点,显然是所有兵营中火攻值与风水值异或的结果最大的那一个兵营。然而,陆逊是个谨慎的人,他要观察时机,在m天中选定一个最佳的进攻的日期,为此他演算出了这m天每天的风水值,然后他希望你能够告诉他这m天每天最佳引火点的兵营编号。

 

输入

第一行n,m,代表有n个兵营,m天。

    接下来一行有n个非负整数,代表这n个兵营的火攻值。

    接下来一行有m个非负整数,代表这m天的风水值。

 

输出

输出共m行,每行输出一个整数,代表第m天最佳引火点的编号。

如果存在多个最佳引火点使得火攻值与风水值的异或值最小,请任意输出一组解即可。

 

样例输入

3 2 1 2 3 4 5

样例输出

3 2

提示

 

【样例解释】

 

对于第1天,由于4 xor 1=5, 4 xor 2=6, 4 xor 3=7,选择第3个引火点是最佳的。

 

对于第2天,由于5 xor 1=4, 5 xor 2=7, 5 xor 3=6,选择第2个引火点是最佳的。

 

 

 

【数据规模和约定】

 

对于30%数据,n<=1000,m<=1000

 

对于100%数据,n<=100000,m<=100000, 0<=k,ai<=2147483647

 

这不是一道常规的trie树?

#include<cstdio> 
using namespace std;
int read()
{
    int ret=0; char ch=getchar();
    while(ch<'0'||ch>'9') ch=getchar();
    while(ch>='0'&&ch<='9')
        ret=(ret<<1)+(ret<<3)+ch-'0',ch=getchar();
    return ret;
}
 
const int N=1e7+5;
int n,m,p,now,nxt[N][2],ans[N];
 
int main()
{
    n=read(),m=read();
    p=1;
    for(int i=1;i<=n;i++)
    {
        int x=read();
        now=1;
        for(int j=31;j;j--)
        {
            int t=(x>>(j-1))&1;
            if(nxt[now][t]) now=nxt[now][t];
                else now=nxt[now][t]=++p,ans[p]=i;
        }
    }
    for(int i=1;i<=m;i++)
    {
        int x=read();
        now=1;
        for(int j=31;j;j--)
        {
            int t=!((x>>(j-1))&1);
            if(!nxt[now][t]) 
            {
                now=nxt[now][!t];
            } else now=nxt[now][t];
        }
        printf("%d\n",ans[now]);
    }
    return 0;
}

 

 

CATIA V6二次开发——如何利用CaptureToFile截屏 CaptureToFile 今天给大家分享一个很有趣的功能,如何利用CATIA自带的功能输出模型展示图? 先上方法: 方法本身并不难,只需要赋予格式及输出路径即可完成该功能。结果如下: 看到这样一张图片不禁让我陷入了沉思,怎么会这么丑???? 那么如何让这个简单的功能变得有趣,图片变得好看点呢? 第一步:背景换色 第二步:隐藏结构树 ... 阅读详情

相关推荐

STM32串口调试踩坑记:HAL_UART_ErrorCallback里不先解锁,你的中断接收就废了

本文深入分析了STM32串口调试中HAL_UART_ErrorCallback的锁机制陷阱,指出在错误回调中不先解锁会导致中断接收失效的问题。通过解析HAL库源码,提出了正确的错误处理实现方法,并分享了预防措施与最佳实践,帮助开发者提升串口通信的可靠性。

weixin_33733810的博客 514

吴传之火烧连营

吴传之火烧连营题面DescriptionInputOutputSample InputSample OutputData Constraint思路Code 题面 Description 【题目背景】 蜀汉章武元年(221年),刘备为报吴夺荆州、关羽被杀之仇,率大军攻吴。吴将陆逊为避其锋,坚守不战,双方成对峙之势。蜀军远征,补给困难,又不能速战速决,加上入夏以后天气炎热,以致锐气渐失,士气低落。刘备为舒缓军士酷热之苦,命蜀军在山林中安营扎寨以避暑热。陆逊看准时机,命士兵每人带一把茅草,到达蜀军营垒时边放火边猛

m725kk的博客 388

Python xlwings报错解决:从‘NoneType‘到完美运行WPS表格的完整指南

本文深入解析了使用Python xlwings库自动化WPS表格时遇到的经典'NoneType'报错(AttributeError: 'NoneType' object has no attribute 'apps')的根源与解决方案。核心在于pywin32版本与WPS的兼容性问题,文章提供了从版本降级、依赖管理到构建健壮自动化环境的完整实战指南,帮助开发者彻底解决兼容性难题,实现稳定运行。

n4o5p6q7r的博客 303

2016暑期集训10 A魏传之长坂逆袭

魏传之长坂逆袭 时间限制: 1 Sec 内存限制: 128 MB 题目描述 众所周知,刘备在长坂坡上与他的一众将领各种开挂,硬生生从曹操手中逃了出去,随后与孙权一起火烧赤壁、占有荆益、成就霸业。而曹操则在赤壁一败后再起不能,终生无力南下。 建安二十五年(220年),曹操已到风烛残年,但仍难忘当年长坂的失误,霸业的破灭。他想如果在刘备逃亡的路中事先布下一些陷阱,便能拖延刘备的逃脱时间

ACZRZ的博客 794

保姆级教程:用GROMACS 2022.4的拉伸模拟(SMD)加速蛋白-蛋白组装过程

本文详细介绍了如何使用GROMACS 2022.4的拉伸分子动力学模拟(SMD)技术加速大蛋白组装过程。通过CHARMM36力场和SMD技术,将传统需要数月的蛋白结合过程缩短至数天,大幅提升模拟效率。文章包含参数设计、索引组创建、周期性边界处理等实战技巧,并提供了完整的GPU加速工作流和常见问题解决方案。

weixin_30338481的博客 446

AD域控设置客户端桌面壁纸

此时再右键wallpaper文件夹,共享选项下的网络路径已经有了。找到该域下的组策略编辑器(第一步有)并按照图下所示找到桌面壁纸的策略设置,点击进去。在高级共享里可以设置共享名和同时共享的用户数量限制。点击下拉箭头,找到Everyone并选择,点击添加后,点击共享。然后可以看到刚才的新建文件夹策略在域控服务器和客户端都生效了。右键wallpaper文件夹->属性,点击共享选项,点击共享。在弹出的窗口里,按照图下所示设置,点击应用并且确认。在弹出的窗口里,按图示找到文件夹,右键新建文件夹。

欲买桂花同载酒的博客 6056

魏传之长坂逆袭

魏传之长坂逆袭题面DescriptionInputOutputSample InputSample OutputData Constraint思路Code 题面 Description 【题目背景】 众所周知,刘备在长坂坡上与他的一众将领各种开挂,硬生生从曹操手中逃了出去,随后与孙权一起火烧赤壁、占有荆益、成就霸业。而曹操则在赤壁一败后再起不能,终生无力南下。 建安二十五年(220年),曹操已到风烛残年,但仍难忘当年长坂的失误,霸业的破灭。他想如果在刘备逃亡的路中事先布下一些陷阱,便能拖延刘备的逃脱时间了。

m725kk的博客 264

OpenClaw的引导配置(onboard)流程

脚本安装的直接安装完到引导配置界面,其他安装方式还可以直接命令到配置。

supersolon的专栏 1327

【NOIP2014模拟11.1B组】吴传之火烧连营(tree)

题目大意 对于一个序列,多次询问求在 xor K 的情况下最大值。 分析 我们将每一个数拆分成 2 进制,然后映射进一棵 trie 中,然后对于每个询问,根据异或的性质(1 xor 1=0,1 xor 0=1,0 xor1=1,0 xor 0=0)尽可能的匹配,因为是 32 位整数,所以每次询问效率就是 O(32)。 参考程序 #include #i

HownoneHe的博客 469

静态与动态LACP链路聚合:原理、配置与排错实战指南

链路聚合技术是提升网络带宽与可靠性的核心方案,通过将多个物理端口逻辑捆绑,实现带宽叠加与链路冗余。其原理基于IEEE 802.3ad标准,通过负载均衡算法将数据流分布到不同物理链路,既避免了数据包乱序,又提升了整体吞吐量。该技术的核心价值在于消除单端口瓶颈、提供毫秒级故障切换,并能简化网络拓扑管理。在企业服务器接入、数据中心互联及虚拟化平台等场景中,链路聚合已成为构建高可用网络的基础。实践中,动态LACP模式通过协议报文协商,能主动检测链路故障并防止配置错误导致的网络环路,相比静态聚合更为可靠。本文将深入解

weixin_31412781的博客 268

ESP32-C3蓝牙透传通信的BLE协议栈工程实践

蓝牙低功耗(BLE)透传是一种基于GATT服务模型的数据透明传输机制,其核心原理在于Peripheral设备通过广播建立连接,并在GATT Server层暴露可读写特征值实现双向数据通道。该技术具备低功耗、跨平台兼容性强、开发门槛适中等优势,广泛应用于智能硬件、工业传感器与嵌入式网关等场景。在实际工程中,透传稳定性高度依赖BLE协议栈的分层协同——Link Layer负责可靠连接建立,GATT Server则定义数据交互语义;而ESP32-C3的AT指令集正是对这两层能力的封装调度。本文聚焦BLE透传的关键

weixin_29859471的博客 124

“梦回三国”系列总结

最近打完了“梦回三国”系列的几道题,感觉挺好的,对于我来说都是一些质量比较高的好题。也巩固了我一些知识,比如说字典树,状压dp,spfaspfaspfa等等的知识点。 下面的几篇题解希望能帮到大家,祝大家做题愉快!!! 魏传之长坂逆袭 蜀传之单刀赴会 吴传之火烧连营 ...

m725kk的博客 241

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

2018-10-25 模拟测试题解

目录 问题 A: 魏传之长坂逆袭 题目描述 输入 输出 样例输入 样例输出 题解 问题 B: 蜀传之单刀赴会 题目描述 【问题描述】 输入 输...

weixin_30247781的博客 276

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")

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

11-1 noip模拟 第二题 SPFA+状压dp

Description 【题目背景】 公元215年,刘备取益州,孙权令诸葛瑾找刘备索要荆州。刘备不答应,孙权极为恼恨,便派吕蒙率军取长沙、零陵、桂阳三郡。长沙、桂阳蜀将当即投降。刘备得知后,亲自从成都赶到公安(今湖北公安),派大将关羽争夺三郡。孙权也随即进驻陆口,派鲁肃屯兵益阳,抵挡关羽。双方剑拔弩张,孙刘联盟面临破裂,在这紧要关头,鲁肃为了维护孙刘联盟,不给曹操可乘之机,决定当面和关羽商

cyc66的专栏 853

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

纪中OJ 2019.02.15【NOIP提高组】模拟 B 组 梦回三国 比赛题解(第一个)

声明   旁边的同学小 H(胡)对我说: “哟,比赛拿了 140,强!要知道,如果哥第三题 AC 了,哥就 230 了,你个废柴!!!(比赛实际分数 130 额呵)”   顿时,千万草泥马从我心中奔腾而过:你不要每次都把“如果”说得这么理直气壮好吧...... (心态大崩*1)     嗯咳,不和他瞎扯了,骚话一大堆,进入正题。          ...

weixin_30402085的博客 390

【NOIP2014模拟11.1B组】魏传之长坂逆袭

这题只要暴力建树,然后求出每个子树中的最大值,最后乱搞就可以了。 本以为dfs会爆栈的。。。 所以就打了个人工栈。。。 WDF!!! 上标: #include&amp;lt;cstdio&amp;gt; #define N 500010 #define ll long long #define max(x,y) x&amp;gt;y ? x:y using namespace std; struct node{int v...

Larry1118的博客 454

Jzoj3907 蜀传之单刀赴会(梦回三国系列)

【题目背景】 公元215年,刘备取益州,孙权令诸葛瑾找刘备索要荆州。刘备不答应,孙权极为恼恨,便派吕蒙率军取长沙、零陵、桂阳三郡。长沙、桂阳蜀将当即投降。刘备得知后,亲自从成都赶到公安(今湖北公安),派大将关羽争夺三郡。孙权也随即进驻陆口,派鲁肃屯兵益阳,抵挡关羽。双方剑拔弩张,孙刘联盟面临破裂,在这紧要关头,鲁肃为了维护孙刘联盟,不给曹操可乘之机,决...

dianning8393的博客 205

【NOIP2014模拟11.1B组】蜀传之单刀赴会

这题就是个状压DP,我们设: f[i][j]表示当前在第i个朋友家,走到过的状态为j的最小时间。 这是从1走到n的!!! 再设g[i][j]表示当前在第i个朋友家,都到过的状态为j的最小时间。 这是从n返回1的!!! 做完f后就把f[k]赋值为g[k],然后在照做一遍就可以了。 我们可以将第0个朋友表示为1,第k+1个朋友表示为n。 上标: #include&amp;lt;cstdio&amp;gt; #incl...

Larry1118的博客 302

DGPO:多任务强化学习中的奖励引导与协同优化机制

在多任务强化学习中,不同任务的奖励信号常因量纲差异、噪声水平和稀疏性冲突,导致策略学习失焦。DGPO(Demonstration-Guided Policy Optimization)提出一种基于示范引导的动态奖励重加权框架,其核心在于构建可微分的奖励可信度评估器,实现状态感知的奖励筛选与融合。该机制不依赖人工权重调优,而是通过示范相关性评估、奖励可信度校准与动态门控融合三模块协同,将原始多任务奖励向量转化为统一引导信号。技术价值体现在提升策略鲁棒性、支持跨任务知识迁移,并增强工业场景下的可解释性与部署稳定

weixin_34353714的博客 454

蜀传之单刀赴会

题目描述 【题目背景】 公元215年,刘备取益州,孙权令诸葛瑾找刘备索要荆州。刘备不答应,孙权极为恼恨,便派吕蒙率军取长沙、零陵、桂阳三郡。长沙、桂阳蜀将当即投降。刘备得知后,亲自从成都赶到公安(今湖北公安),派大将关羽争夺三郡。孙权也随即进驻陆口,派鲁肃屯兵益阳,抵挡关羽。双方剑拔弩张,孙刘联盟面临破裂,在这紧要关头,鲁肃为了维护孙刘联盟,不给曹操可乘之机,决定当面和关羽商谈。“肃邀羽相见,各驻...

ChrysanDog的博客 284

XMU 1614 刘备闯三国之三顾茅庐(二) 【逆向思维+二维并查集】

1614: 刘备闯三国之三顾茅庐(二) Time Limit: 1000 MS  Memory Limit: 128 MB Submit: 15  Solved: 5 [Submit][Status][Web Board] Description         刘备(161年-223年6月10日),字玄德,东汉末年幽州涿郡涿县,西汉中山靖王刘胜的后代。刘备一生极具传

Coolxxx的博客 673

POJ 1201 Intervals (差分约束#4)

#include #include #include #include #include #define N 50005 #define M 200000 // d[i]的初始化 using namespace std; const int inf = (-1u >> 1); int e; struct intval{ int l, r;

Kizuki 415

AtCoder AtCoder Beginner Contest 144 E(二分)

题目链接:https://atcoder.jp/contests/abc144/tasks/abc144_e 题意:n个人去参加吃东西比赛,这个比赛有n种食物,就是说每个人要吃一种食物,且只能吃一种食物。每个人吃食物的时间为a*f,最终成绩就是所有人用的时间的最大值,而且题目还给了一个k,每次计算每个人用的时间时可以让(a-x)*f,并且要满足∑\sum_{}∑​x <= k 问成绩的最小值...

qq_43423395的博客 348

Javascript:一个屌丝的逆袭

| 来源:码农翻身 微信公众号(id:coderising)。 作者:刘欣 是的, 我就是鼎鼎大名的Javascript,  典型的高富帅,前端编程之王,数以百万计的程序员使用我来编程。 如果你没有用过我就太out了。  不过当我是一个屌丝时,真的没有想到能发展到如今的地位...... 第一章:出世 第一章:出世 我出生在上古时代的浏览器Netscape中

离开实践的理论是空洞的理论,没有理论指导的实践是盲目的实践 1881

2016暑期集训16C星座

星座星空中有n颗星星,有n-1对星星间被人为地连上了线,每条连线有各自的长度。所有星星被连成了一个整体。现在,你要在星系中找到一个最大的十字形星座。即,你要找到两条星星构成的路径,使得它们恰好有一颗公共星(这颗公共星不能是某条路径的端点),且两条路径的长度和最大。左图红线表示了一个合法的十字形星座,而右图的星座并不合法。输入 第一行一个数n,表示星星的数量。接下来n行,每行3个数x,y,z,表示第

ACZRZ的博客 748
上一篇: 简单图论练习题OJ
下一篇: 简单搜索练习题OJ
YYHS_WSF
博客等级 码龄8年 8粉丝 138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