[2016/7/20][usaco 2.2]Preface Numbering

本文介绍了一种使用C++实现的罗马数字计数优化方法,通过构建映射表和数组来快速统计罗马数字中各字母出现的频次。文章详细记录了从理解题目到调试成功的全过程,分享了在开发过程中遇到的常见错误及解决方法。

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

http://train.usaco.org/usacoprob2?a=2O4pW4JgSuc&S=preface
智障了数次之后终于A了。。思路没什么问题,就是一些小地方没注意,debug了很久,喜极而泣
下次看到提示溢出的,一定要仔细找。看了半个小时想了各种原因,最后发现是下面的循环次数太多超过开的数组单元的数量。
刚开始拿到题很懵逼。后来百度了罗马数字表,结合题意,发现只用找出1-9,10(+10)-90;100(+100)-900;1000(+1000)-4000;这几个就好了,因为知道了它们中的字母,其余所有的数字都可用这些数字的和表示,就很容易知道其他数字中各个字母的数量。
第一次尝试用map,感觉还行。要注意设定map映射的时候一定要在main函数里面设定。
还有要注意if后面的括号里写条件的时候一定要搞清运算符优先级!再次调了半小时。。(搞不清也没关系,拼命加括号
总之是一道带点巧妙的暴力。
代码如下。傻逼的地方都标注出来了。


LANG:C++ 
TASK:preface
*/  
#include <stdio.h>
#include <iostream>
#include <bitset>
#include <algorithm>
#include <map>
using namespace std;
int mark[4008][7];//对应4008个数字中,7个字母的数量分别是多少。
map<int,int> numbers;  //字母表示的数字对应数组下标
map<int,char> numbe; //数组下标对应字母
int amount[7];
void init(){//处理好已知数字中的字母含量
	mark[1][0] = 1;
	mark[5][1] = 1;
	mark[10][2] = 1;
	mark[50][3] = 1;
	mark[100][4] = 1;
	mark[500][5] = 1;
	mark[1000][6] = 1;
}
void judge(int base,int num){//base:1,10,100,1000...
	int status;
	status = num/base;//此处直接除就好。。还有位数为1的时候不用单独考虑,把base设置成0更是数死早。。
	int k = numbers[base];
	int j = numbers[base*5];
	if(status<=3){
	//	cout<<mark[num][k]<<" "<<num<<endl;
		mark[num][k] = status;
	//	if(num==20) cout<<mark[num][k]<<endl;		
	}
	else if(status==4){
		mark[num][k] = 1;
		mark[num][j] = 1;
	}
	else if(status==5)
		mark[num][j] = 1;
	else if(status<=8){
		int shu = status%5;
		mark[num][j] = 1;
		mark[num][k] = shu;
	}
	else{
		mark[num][k] = 1;
		j = numbers[base*10];
		mark[num][j] = 1;
	}
}
void add(int n1,int n2,int n3){
	for(int i = 0;i<7;i++){
	<span style="white-space:pre">	</span>mark[n3][i] = mark[n2][i] + mark[n1][i];
	}
}
int main(){
	freopen("preface.in","r",stdin);    
    freopen("preface.out","w",stdout); 
	init();
	int n;
	scanf("%d",&n);
	numbers[1] = 0;
	numbers[5] = 1;
	numbers[10] = 2;
	numbers[50] = 3;
	numbers[100] = 4;
	numbers[500] = 5;
	numbers[1000] = 6;
	numbe[0] = 'I';
	numbe[1] = 'V';
	numbe[2] = 'X';
	numbe[3] = 'L';
	numbe[4] = 'C';
	numbe[5] = 'D';
	numbe[6] = 'M';
	int n1,n2;
	for(int i = 1;i<10;i++)
		judge(1,i);
	
	for(int i = 10;i<100;i++){
		if(!(i%10))
			judge(10,i);
		else{
			n1 = i%10;
			n2 = i - n1;
			add(n1,n2,i);
		}
	}

	for(int i = 100;i<1000;i++){
		if(!(i%100))
			judge(100,i);
		else{
			n1 = i%100;
			n2 = i - n1;
			add(n1,n2,i);
		}
	}
	for(int i = 1000;i<4000;i++){
		if(!(i%1000))
			judge(1000,i);
		else{
			n1 = i%1000;
			n2 = i - n1;
			add(n1,n2,i);
		}
	}
	for(int i = 1;i<=n;i++){
		for(int j = 0;j<7;j++){
			//printf("%d",mark[i][j]);
			amount[j] += mark[i][j]; 
	}
	}
	//	cout<<mark[1000][4]<<" "<<1000<<endl;
	for(int i = 0;i<7;i++){
		if(amount[i])
			printf("%c %d\n",numbe[i],amount[i]);
	} 
	return 0;
}



资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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