算法训练 筛选号码

问题描述
  有n个人围成一圈,顺序排号(编号为1到n)。从第1个人开始报数(从1到3报数),凡报到3的人退出圈子。从下一个人开始继续报数,直到剩下最后一个人,游戏结束。
  问最后留下的是原来第几号的那位。
  举个例子,8个人围成一圈:
  1 2 3 4 5 6 7 8
  第1次报数之后,3退出,剩下:
  1 2 4 5 6 7 8 (现在从4开始报数)
  第2次报数之后,6退出,剩下:
  1 2 4 5 7 8 (现在从7开始报数)
  第3次报数之后,1退出,剩下:
  2 4 5 7 8 (现在从2开始报数)
  第4次报数之后,5退出,剩下:
  2 4 7 8 (现在从7开始报数)
  第5次报数之后,2退出,剩下:
  4 7 8 (现在从4开始报数)
  第6次报数之后,8退出,剩下:
  4 7 (现在从4开始报数)
  最后一次报数之后,4退出,剩下:
  7.
  所以,最后留下来的人编号是7。
输入格式
  一个正整数n,(1 < n < 10000)
输出格式
  一个正整数,最后留下来的那个人的编号。
样例输入
8
样例输出
7
数据规模和约定
  对于100%的数据,1 < n < 10000。

典型的约瑟夫环问题。
最简解法即数学递推公式法

推导过程:
假设问题是n个人编号分别为0…n-1,则第一个被删除的数为 (m - 1) % n。

假设第二轮的开始数字为k,那么这n - 1个数构成的约瑟夫环为k, k + 1, k + 2, k +3, …..,k - 3, k - 2。做一个简单的映射。
k —–> 0
k+1 ——> 1
k+2 ——> 2


k-2 ——> n-2
假如我们已经知道了n -1个人时,最后胜利者的编号为x,利用映射关系逆推,就可以得出n个人时,胜利者的编号为 (x + k) % n。(因为第二轮重新编号的时候,相当于把每个人的编号都减了k,因此重新+k即可恢复到原来编号)其中k等于m % n。代入(x + k) % n <=> (x + (m % n))%n <=> (x%n + (m%n)%n)%n <=> (x%n+m%n)%n <=> (x+m)%n

要得到n - 1个人问题的解,只需得到n - 2个人问题的解,倒推下去。只有一个人时,胜利者就是编号0。下面给出递推式:
f [1] = 0;
f [ i ] = ( f [i -1] + m) % i; (i>1)


#include <iostream>
using namespace std;
int main()
{
    int n,i,m=3,member=0;
    cin>>n;
    for(i=2;i<=n;i++)
    {
        member=(member+m)%i;
    }
    cout<<member+1<<endl;//最后结果编号加1
    return 0;
}

### YOLO算法训练的目标 YOLO(You Only Look Once)是一种实时对象检测框架,其主要目标是在单次推断过程中完成图像中的多个对象定位和分类。为了实现这一目标,YOLO采用了一种端到端的学习方法来预测边界框及其对应的类别概率[^1]。 ### 特征学习的过程 在特征学习方面,YOLO通过卷积神经网络提取输入图像的高级语义信息。该网络结构通常包含一系列卷积层与池化层组合而成的基础骨干网,用于捕捉不同尺度下的空间层次特性。随后连接全连接层负责最终输出所需的坐标回归以及类别的置信度估计。这种设计使得模型能够有效地理解并表示复杂的视觉模式。 对于具体的特征映射而言,在训练阶段会利用反向传播调整权重参数以最小化损失函数值;而在测试时则依据预设阈值筛选出最有可能的对象实例,并抑制重叠较高的候选区域从而获得更精确的结果[^2]。 ```python import cv2 from darknet import performDetect def detect_objects(image_path, config_file="yolo-obj.cfg", weights_file="yolo-obj_last.weights"): result = performDetect(imagePath=image_path, configPath=config_file, weightPath=weights_file) img = cv2.imread(image_path) for detection in result: label = detection['label'] confidence = detection['confidence'] bounds = detection['boundingBox'] # 绘制边框 (startX, startY, endX, endY) = bounds cv2.rectangle(img, (startX, startY), (endX, endY), color=(0, 255, 0)) text = f"{label}: {confidence:.2f}" cv2.putText(img, text, (startX, startY - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (0, 255, 0), thickness=2) return img ``` 此代码片段展示了如何使用Python调用Darknet库来进行基于YOLO模型的对象检测,并可视化检测结果。这有助于直观地观察经过训练后的YOLO模型是如何识别特定物体的位置及类型的。
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