SWUN 1012 - Card


Card

时间限制(普通/Java) : 5000 MS/ 10000 MS          运行内存限制 : 65536 KByte
总提交 : 169            测试通过 : 32

描述

YCC有一堆卡片,每张卡片上都写着一个正整数。YCC很喜欢将这些卡片排成一排,然后任意计算其中一段连续的卡片上数字的总和。随着年龄的增长,YCC觉得这个有点太容易了,于是他想出了以下两种操作:

A.D a, 将第a张卡片从这些卡片中去掉。

BS a b, 将第a张到第b张卡片上的数字的和计算出来。

YCC想出这两个操作时候才发现自己搞不定,所以希望你能帮帮他计算出那些和。

输入

输入数据第一行为两个正整数NM。表示有N张卡片和M个操作。 N, M <= 10^5

第二行为N个不大于10^5的正整数,按照卡片从左到右的顺序描述卡片上的数字。

随后的M行,每行均为操作A或者操作B,格式与题目描述相同。其中操作A与操作B中,卡片的编号均从0开始,并且数据保证不会出现违规数据。

输出:

对于每个操作B,输出该段的总和。每个输出占一行

输出

对于每个操作B,输出该段的总和。每个输出占一行

样例输入

3 5
1 2 3
S 0 2
D 0
S 0 1
D 0
S 0 0

样例输出

提示

6

5

3

题目来源

YCC


 

题目地址: http://218.194.91.48/acmhome/problemdetail.do?&method=showdetail&id=1012

 

树状数组练手题,主要是求第k大的数~~~~

 

虽然说树状数组能做的题,线段树都能做,但树状数组的精简还是有其优势的~~~

 

#include<iostream>
#include<cstdio>

using namespace std;

const int maxn=100100;
int n,m;
__int64 tree[maxn];
int num[maxn],s[maxn];

int fk(int k){
	int i,now=0;
	for(i=20;i>=0;i--){
		now|=(1<<i);
		if(now>=n || num[now]>=k)
			now^=(1<<i);
		else k-=num[now];
	}
	return now+1;
}
void add(int v,int v1,int v2){
	while(v<=n){
		tree[v]+=v2;
		num[v]+=v1;
		v+=v&-v;
	}
}
__int64 query(int v){
	__int64 sum=0;
	while(v>0){
		sum+=tree[v];
		v-=v&-v;
	}
	return sum;
}

int main(){
	int i,j;
	char op[2];
	scanf("%d%d",&n,&m);
	for(i=1;i<=n;i++){
		scanf("%d",&s[i]);
		add(i,1,s[i]);
	}
	while(m--){
		scanf("%s",op);
		if(op[0]=='S'){
			scanf("%d%d",&i,&j);
			if(i>j) swap(i,j);
			printf("%I64d\n",query(fk(j+1))-query(fk(i+1)-1));
		}
		else{
			scanf("%d",&i);
			i=fk(i+1);
			add(i,-1,-s[i]);
		}
	}
	
	return 0;
}


 

基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
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