8th_A

[b]A. 采购[/b]
[b]问题描述[/b]
作为资深宅男,嘉娃醒着的时候就坐在电脑前。为了提高宅的效率,他连下楼吃饭
的时间都不放过了。于是他需要每隔一段时间去超市进行一次大采购来保证有充足的
食物储备。
嘉娃的学校里有两家超市,嘉娃每次只能去一家超市采购。为了省钱买点卡,嘉娃
搞到了一份两家超市的物价表。不过嘉娃不想在算帐上浪费时间,现在他给了你一份
他的购物清单,你能帮助嘉娃算出去哪家超市购物便宜吗?
输入格式
第一行一个整数 N (0 ≤ N ≤ 1000),表示嘉娃要买多少种物品。
下面共 2N 行。第 2i 行包含一个字符串 si ,表示第 i 件商品的名称,和一个整数
di (1 ≤ di ≤ 30),表示嘉娃要购买第 i 件商品的数量, si 和 di 之间以一个空格分开。
si 的长度至少为 1 且不超过 8,并且 si 仅由小写字母组成。第 2i + 1 行包含两个整数
ai 和 bi ,分别表示第 i 件商品在超市 A 和超市 B 的售价 (0 ≤ ai , bi ≤ 100)。
输出格式
如果超市 A 的价格比超市 B 便宜,则输出一行"I like A!"。如果超市 B 的价格低,
则输出一行"I like B!"。如果在两家超市的花费一样,则输出一行"I like both!"。
输出不包含引号。
[b]样例输入[/b]
3
baozi 30
50 55
paomian 30
55 50
wan 1
100 98
[b]样例输出[/b]
I like B!

#include<cstdio>
int main(){
int n;
int m;
int a=0,b=0;
int rA=0,rB=0;
char str[1000];
scanf("%d",&n);
for(int i=0;i<n;i++){
scanf("%s",str);
scanf("%d",&m);
scanf("%d%d",&a,&b);
rA+=m*a;
rB+=m*b;
}
if(rA>rB){
printf("I like B!\n");
}else if(rA<rB){
printf("I like A!\n");
}else{
printf("I like both!\n");
}
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