递推 踩方格问题 思路分析

C++【递推算法】踩方格 题解 把[北i-1]*3,[东i-1]*2,[西i-1]*2三者相加,就是总步数([总i])。思路很简单,就有了4个数组,加加加加加……请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上;有一个方格矩阵,矩阵边界在无穷远处。(这个应该好理解)。接下来的步骤本蒟蒻就不说了!关系式出来了,码就好编啦!//大家千万不要抄哦!允许在方格上行走的步数n(n≤20)。c、只能向北、东、西三个方向走; 阅读详情

上题

有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设:
a. 每走一步时,只能从当前方格移动一格,走到某个相邻的方格上;
b. 走过的格子立即塌陷无法再走第二次;
c. 只能向北、东、西三个方向走;
请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。
输入:

允许在方格上行走的步数n(n <=20)

输出:

计算出方案的数量

样例输入:2 

样例输出:7

思考:这道题话说是属于动规的,但我学的比较杂,动规就学了背包,思想还是有些局限,考虑这道题时还是照着最近练的递推思想来思考,主要是考虑到当能走的方向数在上一步走完的方向上的区别,也就是上一步是向上的话还能走三个方向,向左或向右就能走上和继续往左或者右。

于是就有了三个式子:

a[0][n] = a[0][n-1] + a[1][n-1] + a[2][n-1];

a[1][n] = a[1][n-1] + a[0][n-1];

a[2][n] = a[2][n-1] + a[0][n-1];

a[0]数组存的是向上的步数,a[1], a[2]数组分别存的是向左和向右的步数,那么最后就是结果就是a[0][n] + a[1][n] + a[2][n].当时做出来还不太在意,看别的题的答案时顺带看了眼题解,哦!?f[n] = 2f[n-1]+f[n-2]???这式子怎么来的??然后再次开始思考这道本质,或者说是这个式子的由来。

看了不少博客,然而都是点到为止的感觉,经过思考整理,将其中一些得出这式子的思路呈上:

思路一:a[n] = a[n-1] + (2*a[n-2] + a[n-1] - a[n-2]);

画了三步,第一步是紫色,第二步是橙色,第三步是要算的步数,a[n-1]是第n步能走的所有向上的步数,(2*a[n-2] + a[n-1] - a[n-2])是往左右走的步数。2*a[n-2]在图中是加在上一步中向上走的那步后能往左右走的步数(这个数量等于每上上步步数(a[n-2])的两倍,加上a[n-1]是上一步的基础上都加一(上一步往两侧走的可以继续往两侧走),这时就会有多处的步数,然后减去那多的步数,我们可以看作是每个往上方向走上一步那个方向多的,然后这个步数可看成是上上步的数量(a[n-2]),然后式子经过简化就是那个极简的斐波变式。

思路二:

计算f[n]时,f[n-1]对于f[n]是有特性的,其中的左右分支(只考虑当前效果)只能再走两步,而向上的分支能走三步,而f[n-2]对于f[n]来说,仿佛失去了特性,即可以将其看作计算f[n]时每f[n-1]步都只能走两步的基础上的向上走的一步的步数(或者从f[n-2]的角度来看,其后的第二步是第一步能走的步数的两倍再加上f[n-2])。

不过这样看来仿佛是在对着题目给式子找解释,而我更希望是通过这些特定的例子,去分析他的本质或者能够从中学到做这类或者其他题时对问题本质提炼的能力或者说是直觉吧。

哦,还有就是看到一些博客发现我开始的解放也可以通过类似证明的方法将其化为最简的式子,也写了下

f[n] = a[0][n] + a[1][n] + a[2][n];

a[0][n] = a[0][n-1] + a[1][n-1] + a[2][n-1];

a[1][n] = a[1][n-1] + a[0][n-1];

a[2][n] = a[2][n-1] + a[0][n-1];

f[n] = 3 * a[0][n-1] + 2 * a[1][n-1] + 2 * a[2][n-1] = 2 * f[n-1] + a[0][n-1]

又a[0][n] = a[0][n-1] + a[1][n-1] + a[2][n-1] 则 a[0][n-1] = f[n-2]

即f[n] = 2 * f[n-1] + a[0][n-1]

最后,还差动态规划的写法,那就日后来写吧,,,(会来写吗?手动滑稽

 

信息学奥赛一本通(C++)1196:踩方格 目录 1196:踩方格 【题目描述】 【输入】 【输出】 【输入样例】 【输出样例】 【解法】 1196:踩方格 时间限制: 1000 ms 内存限制: 65536 KB 提交数: 4780 通过数: 3149 【题目描述】 有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设: a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上; b、走... 阅读详情

相关推荐

别再用递归硬扛了!用递推搞定‘踩方格’问题,信息学奥赛选手都在用的高效解法

本文探讨了在信息学奥赛中解决‘踩方格’问题的高效递推算法,对比了递归与递推的性能差异。通过详细的状态转移分析和代码示例,展示了如何将时间复杂度从指数级降至线性,并提供了竞赛实战中的优化技巧,帮助选手提升算法效率。

weixin_32050773的博客 242

【c++递推算法 】 有一个方格矩阵

c++递推算法解决:有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设:a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上;b、走过的格子立即塌陷无法再走第二次;c、只能向北、东、西三个方向走;请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。1.【题目描述】2.【思路】3.【代码】 1.【题目描述】 【题目描述】 有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设:a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上;b、走过的格子立

qq_40802813的博客 4164

信息学奥赛备赛笔记:用‘踩方格’这道题,实战演练两种递推建模思路(附C++代码对比)

本文深入解析信息学奥赛中'踩方格'问题的两种递推建模思路,包括整体递推法和状态分治法,并附有C++代码对比。通过详细的问题分析、算法实现和优化技巧,帮助竞赛选手掌握递推算法的核心思想与应用场景,提升解题效率与编程能力。

weixin_32715349的博客 292

解题报告6

此后在分析棋子的移动方向时要注意,该棋子是以‘日’字移动而且没有规定移动方向,所以棋子有{1,2},{-1,2},{-1,-2},{1,-2},{2,1},{-2,1},{-2,-1},{2,-1}共八种移动方向。该题要求的是将棋盘上的点全部走一遍,所以要时刻记录自己已经走过的点的数量(不要忘了起始点已经走过),当走过的点数与棋盘总点数相等时,方案数量加1。请编写一段程序,给定n*m大小的棋盘,以及马的初始位置(x,y),要求不能重复经过棋盘上的同一个点,计算马可以有多少途径遍历棋盘上的所有点。...

weixin_50982418的博客 692

oj结题报告 4982踩方格

描述有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设: 1. 每走一步时,只能从当前方格移动一格,走到某个相邻的方格上; 2. 走过的格子立即塌陷无法再走第二次; 3. 只能向北、东、西三个方向走; 请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。输入允许在方格上行走的步数n(n <= 20)输出计算出的方案数量样例输入2样例输

OIljt12138的博客 943

信息学奥赛递推实战:从“踩方格”到路径计数模型

本文深入解析信息学奥赛中递推算法的实战应用,以经典题目'踩方格'为例,详细讲解两种递推思路及其代码实现。文章还总结了递推模型的通用解题框架,并探讨了路径计数模型的扩展应用和优化技巧,帮助读者掌握递推算法的核心思想与实战技能。

weixin_29061041的博客 149

踩方格(2023.9三级)

那么我们可以设置:往上的数组为u[n],往右的数组为r[n],往左的数组为l[n]。因此,如果往任意方向(三方向之内)走一步,就会是:u[1]=1,r[1]=1,l[1]=1。可以看到,如果要到这一个终点,有三种可能的情况,可能是从u[n-1],r[n-1],l[n-1]三个方向来的,所以可以写出:u[i]=u[i-1]+l[i-1]+r[i-1]。输入的是“可以移动两次”,所以作者制作了上图,可以看到,标为蓝色的“终点”有五个,可是第二行的两个终点被重复,所以一共是七种,于是在样例输出中输出“7”。

w18382283058的博客 961

从‘踩方格’到动态规划入门:一个例子讲透递推算法的两种建模思路(附C++代码)

本文通过'踩方格'问题深入解析递推算法的两种建模思路,帮助读者掌握动态规划的基础。详细介绍了整体方案数递推和方向分类递推两种方法,并提供了C++代码实现,适合信息学奥赛学习者和算法爱好者提升递推算法理解与应用能力。

weixin_31364787的博客 348

骨牌铺方格(递推)

原题链接 Problem Description 在2 × n的一个长方形方格中,用一个1 × 2的骨牌铺满方格,输入n ,输出铺放方案的总数.例如n=3时,为2 × 3方格,骨牌的铺放方案有三种,如下图: Input 输入数据由多行组成,每行包含一个整数n,表示该测试实例的长方形方格的规格是2×n (0<n<=50)。 Output 对于每个测试实例,请输出铺放方案的总数,每个实例的输出占一行。 Sample Input 1 3 2 Sample Output 1 3 2

smallrain6的博客 9408

递推的简单入门

递推的简单入门 第一篇博文的观看量日益增加,我感到很开心。能把我所学到的东西分享给大家,并得到大家的认可,是我一直写下去的动力,愿你我能共同进步,加油!!! 递推法的基本思想 递推就是利用问题本身所具有的一种递推关系来求解问题的一种方法,是指从已知的初始条件出发,依据某种递推关系,逐次推出所要计算的中间结果和最终结果。 对于初始条件: 1.要么在问题的本身已经给定 2.要么通过对问题的分析化简后来确定。 递推的本质 把一个复杂的计算过程转化为一个简单的过程的多次计算。 可递推求解的问题特点 1

weixin_51335453的博客 1476

xctf攻防世界 MISC高手进阶区 low

1. 进入环境,下载附件 给出的一张bmp图片,没有其他信息 2. 问题分析 扔进binwalk中,没有发现有用信息 使用zsteg,没有有用信息 塞入StegSolve中,发现有点猫腻,如图: 有点二维码的感觉,emmm,需要像素处理,但不知道如何下手,参考网上的wp,发现是让使用lsb隐写,copy代码: from PIL import Image img = Image.open('./pic/low.bmp') img_tmp = img.copy() pix = img_tmp.load()

l8947943的博客 1万+

踩方格(递推)

【题目描述】 有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设: a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上; b、走过的格子立即塌陷无法再走第二次; c、只能向北、东、西三个方向走; 请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。 【输入】 允许在方格上行走的步数n(n≤20)。 【输出】 计算出的方案数量。 【输入样...

amazingee的博客 4183

【实践指南】Wasserstein距离在电力系统鲁棒优化中的核心应用

本文深入探讨了Wasserstein距离在电力系统分布鲁棒优化中的核心应用。针对风电、光伏出力的不确定性,文章阐述了如何利用Wasserstein距离构建模糊集,将复杂的分布鲁棒优化问题转化为可求解的确定性模型,并提供了从理论到代码实现的完整实践指南,有效平衡了系统运行的经济性与鲁棒性。

weixin_29229261的博客 308

踩方格(递推)(详细的不能再详细)

【题目描述】 有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设: a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上; b、走过的格子立即塌陷无法再走第二次; c、只能向北、东、西三个方向走; 请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。 【输入】 允许在方格上行走的步数n(n≤20)。 【输出】 计算出的方案数量。 【输入样...

BEFOURD的博客 4827

VC++车牌识别系统:图像处理与模式识别实战指南

计算机视觉是人工智能的重要分支,其核心原理是通过算法让计算机“看懂”图像内容。在工程实践中,图像处理与模式识别技术是实现视觉应用的基础,它们通过灰度化、边缘检测、特征提取等步骤,将原始像素转换为可理解的信息。这些技术的价值在于能够替代人眼完成自动化、高精度的识别任务,广泛应用于智能交通、安防监控和工业检测等领域。以车牌识别为例,它综合运用了图像预处理、车牌定位、字符分割和字符识别等关键技术,其中车牌定位常采用基于边缘检测和颜色特征的方法,而字符识别则涉及模板匹配或机器学习分类。在VC++开发环境中,结合Op

weixin_28465009的博客 282

保姆级教程:用ROS2 Humble + Gazebo Classic 从零搭建一个能键盘控制的差分AGV模型

本文提供了一份详细的ROS2 Humble与Gazebo Classic教程,指导用户从零开始搭建一个键盘控制的差分AGV模型。内容涵盖环境配置、Xacro文件设计、Gazebo仿真集成以及键盘控制实现,特别针对常见问题提供解决方案,帮助开发者快速掌握ROS2机器人仿真技术。

weixin_30387423的博客 169

骨牌铺方格(基础递推题)

简单的一个递推题,主要帮助去理解递推的思维 题目大意:在2×n的一个长方形方格中,用一个1× 2的骨牌铺满方格,输入n ,输出铺放方案的总数. 例如n=3时,为2× 3方格,骨牌的铺放方案有三种,如下图: 输入数据由多行组成,每行包含一个整数n,表示该测试实例的长方形方格的规格是2×n (0<n<=50)。 对于每个测试实例,请输出铺放方案的总数,每个实例的输出占一行。 Sample Input 1 3 2 Sample Output 1 3 2 类似于这种求方案数的题,一般来说都是用递推 大

llllyz的博客 2204

Ubuntu22.04安装搜狗输入法踩坑实录:从依赖报错到完美解决的完整指南

本文详细解析了在Ubuntu 22.04系统上安装搜狗拼音输入法的完整流程,从解决依赖报错到配置fcitx框架,再到最终优化使用体验。针对常见的dpkg安装错误和fcitx冲突问题,提供了实用的解决方案和命令,帮助用户顺利完成安装并享受流畅的中文输入体验。

palm99的专栏 975

ACM 递推专题

1.1161-XTUOJ 现在用1*2的骨牌,去铺n*3的地板,骨牌可以竖着和横着放,但不能重叠,请问铺满地板一共有多少种不同的铺法? 输入每行输入一个整数n,(1≤n≤1,000),如果n为0表示样例输入结束,这个样例不用处理。由于结果可能很大,所以需要将结果对100,003取模。 输出每行输出一个样例的结果。 样例输入1 2 3 4 1000 0 样例输出0 3 0 11 74979考点:递推...

qq_39088036的博客 1536

01_MySQL下载、安装与配置(以MySQL8.0.31版本为例)

1.点击下载好的mysql安装包 进入到mysql installer界面。2.选择MySQL Servers选项 一直下拉。

4825

SAR学习笔记后续-phased工具箱介绍

摘要:相控阵雷达介绍,基于仿真对MATLAB中phased工具箱进行了详细介绍

yjh_2019的博客 1万+

别再用递归硬扛了!用递推搞定‘踩方格’问题,代码简洁到飞起(附两种思路详解)

本文深入解析了‘踩方格’问题的两种递推解法,对比递归方法的性能缺陷,展示了如何通过状态定义和转移方程将指数级复杂度降为线性。文章详细介绍了步数视角和方向分类两种递推思路,并证明其等价性,帮助算法竞赛选手掌握高效解题技巧,特别适合信息学奥赛选手学习递推算法的应用。

weixin_29913663的博客 302

【DDR5 PCB走线SI/PI仿真调试】详细全攻略

问题场景发现症状优化措施过孔Stub效应TDR波形尖峰,信号反射严重使用盲孔,背钻减少Stub,降低Via数量串扰过大眼图闭合,误码率增加增加走线间距,插入地线隔离,减少平行长度电源阻抗过高PDN谐振导致纹波大多频率去耦,靠近电源引脚布置多档电容,合理分层信号时序失配优化走线长度匹配,避免信号走线跨层跳变DDR5设计不仅是硬件的挑战,更是仿真能力的考验。掌握SI/PI仿真,理解信号背后的物理本质,才能真正把握高速接口的“灵魂”!

weixin_43199439的博客 989

数据结构与算法-13骨牌铺方格三例(递推)

【例1】 Description 在2×n的一个长方形方格中,用一个1×2的骨牌铺满方格,输入n ,输出铺放方案的总数. 例如n=3时,为2×3方格,骨牌的铺放方案有三种,如下图: Input 输入数据由多行组成,每行包含一个整数n,表示该测试实例的长方形方格的规格是2×n (0< n<=50)。 Output 对于每个测试实例,请输出铺放方案的总数,每个实例的输出占一行。 Samp...

jialChen的博客 1253

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

[递推/DP/玄学]1196踩方格 思路解析

【题目描述】有一个方格矩阵,矩阵边界在无穷远处。我们做如下假设:a、每走一步时,只能从当前方格移动一格,走到某个相邻的方格上;b、走过的格子立即塌陷无法再走第二次;c、只能向北、东、西三个方向走;请问:如果允许在方格矩阵上走n步,共有多少种不同的方案。2种走法只要有一步不一样,即被认为是不同的方案。【输入】允许在方格上行走的步数n(n≤20)。【输出】计算出的方案数量。【输入样例】2【输出样例】7...

weixin_30575309的博客 269

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")

HDOJ-2046 骨牌铺方格(递推)

题目:HDOJ-2046 题目描述:在2×n的一个长方形方格中,用一个1× 2的骨牌铺满方格,输入n ,输出铺放方案的总数. 例如n=3时,为2× 3方格,骨牌的铺放方案有三种,如下图: 思路:(递推) 对n位置情况进行讨论 ①n位置1个骨牌竖着放,对前n-1无影响,所以等于f(n-1) ②n位置2个骨牌横着放,n-1位置被占用,但对前n-2无影响,所以等于f(n-2) 综上,f(n)=f(n-...

Plus Ultra! 464

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

上一篇: 潜水员问题(二维背包)——挣扎后的结晶
下一篇: 全排列 递归(非字典序) 深搜(字典序)
会悟
博客等级 码龄9年 22粉丝 36原创
评论 1
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