HDU 4714 Tree2cycle

本文介绍了一种解决特定图论问题的算法——如何通过增删边的方式使一个图变为环形,并使得总操作成本最小。核心思路在于计算每个节点的分支数量,进而推算出所需的最小代价。

题目链接

https://vjudge.net/problem/HDU-4714

题意

给一个图,定义环为有n个结点,n条边的图。在图中每删和每加一条边需要花费,求用最少的花费将图变成环。

思路

思路比较难想到:看了题解才知道的。
对于非根结点,假设其后代分支数为f,需要先将结点与其父亲断开,然后断开f-2个分支,将断开的分支再连成一条链,共需要花费1+2*(f-2),在加上与上一条链的链接,总共需要2+2*(f-2) = 2*(f-1)
根结点没有父亲同理需要2(f-2)花费
连成一条链后,需要首尾相连再花费1

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstring>
#include<vector>
#include<string>
#include<queue>
#include<stack>
#include<set>
#include<map>
#define ll long long
using namespace std;
const int INF = ( 2e9 ) + 2;
const ll maxn = 1e6+100;
struct edge
{
    int v,Next;
}e[maxn*2];
int head[maxn];
int tot,ans;
bool mark[maxn];
void add(int u,int v)
{
    e[tot].v=v;
    e[tot].Next=head[u];
    head[u]=tot++;
}
void init()
{
    memset(head,-1,sizeof(head));
    tot=ans=0;
}
int dfs(int u,int fa)
{
    int f=0;
    for(int i=head[u];i!=-1;i=e[i].Next)
    {
        int v=e[i].v;
        if(v==fa)continue;
        f+=dfs(v,u);
    }
    if(f>1)
    {
        if(fa==-1)ans=ans+f-2;
        else ans=ans+f-1;
        return 0;
    }
    else return 1;
}
int main()
{
    int T,n,u,v;
    scanf("%d",&T);
    while(T--)
    {
        init();
        scanf("%d",&n);
        for(int i=0;i<n-1;i++)
        {
            scanf("%d%d",&u,&v);
            add(u,v);
            add(v,u);
        }
        dfs(1,-1);
        ans=ans*2+1;
        printf("%d\n",ans);
    }
}
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