- 博客(200)
- 收藏
- 关注
RSS订阅原创 牛客周赛 Round 57
将所有的点分为：在线上、在线中、在线下。线上和线下的点优先相连，必与直线相交；多的和线中的点相连，也与直线相交；若线上和线下的点先用完则线中的点相连，也必相交。若线中的点先用完，只剩下线上的点或者线下的点，即不可相连与直线相交。推一下发现 只要n大于等于三 总可以又2进制和n进制表现，1的时候除了1进制，其它也可以表现，唯独2时，输出NO。
2024-08-27 08:42:02
659
原创 计算机视觉编程 1（图片处理）
2. 加权平均法：将图像中每个像素的RGB值分别乘以不同的权重，然后相加，得到灰度值。缩略图是指按照一定比例或尺寸将原始图像进行压缩和裁剪后得到的小尺寸图像，用于快速展示大尺寸原始图像的预览效果。1. 等比例缩放法：按照设定的比例将原始图像的宽度和高度同时缩小，保持原始图像的宽高比。4. 图像压缩算法：使用图像压缩算法，如JPEG、PNG等，将原始图像进行压缩，同时设定压缩质量和尺寸，得到缩略图。这些方法都可以用来计算图像的灰度值，根据具体的应用场景和需求，选择合适的方法进行灰度计算。
2024-08-25 21:41:05
780
原创 河南萌新联赛2024第（六）场：郑州大学
找到第一个不符合的地方记录，然后从后往前找不同的地方，如果还不到标记就有不同的地方，则直接输出0；找到标记的地方，往前找有几个一模一样的字母，记录下来即可。用二分法找最近的发车时间，找的到即有，找不到则输出TNT。找个规律，只要中间的偶数跑的多余奇个数即可以跑完。转化一下思维，从后往前不断找更大的值。
2024-08-24 22:49:24
594
原创 牛客周赛 Round 56
构造+思维+位运算，根据异或的性质我们得出，用1去异或上一个数n,如果n为奇数则得到n-1，否则会得到n+1，由此，们发现，直接用1去异或就好了嘛，但考虑特殊的两个数，输入为1或1e9时，我们发现，用1去异或得到的两个数为0和1e9+1，不在要求范围内，我们的目标是得到周长最大的三角形，那我们肯定考虑拿最长的对吧，我们对所有火柴排序后，从大到小直接枚举，能构成三角形则直接输出即可！文字游戏，注意小S也是留下来的同学之一，所以留下的同学一共有m+1个。所以我们特判一下这两个数即可。
2024-08-20 16:34:20
457
原创 河南萌新联赛2024第（五）场：信息工程大学
ST表或者线段树都可以，ST表更简单但只适合不会改变的情况。找到超出的数，离两个边界的最值即可。数据范围小，直接模拟即可。
2024-08-19 10:57:06
431
原创 河南萌新联赛2024第（四）场：河南理工大学
同或运算的最大值，其实就是异或的最小值，求异或的最小值，值越接近的二进制位数相同的越多，异或则小。所以排个序，计算异或的最小值，再用最大减去异或的最小值，即为同或的最大值。看成一棵树，深度搜索一遍从x到y和y到x，看一下有几个点不能到达，最后相乘一下。手算一下，就找到规律了。
2024-08-12 18:45:09
299
原创 河南萌新联赛2024第（三）场：河南大学
0加到x，二进制第0位上每加1就变化一次，第1位上每加2就变化一次，...，第i位上每加2^i就会变化一次，即第i位上变化次数为x/(2^i)，每个位上累加的和就是从0加到x变化的次数 算一下0到x和0到x+y的次数，作差就是x加到x+y变化的次数。模拟，找点，把点前面的截出来判断。先跑一遍从1到n，求出最短路径。再跑一遍先到k再到n的最短路径。两者比较，求出最短路。
2024-08-05 11:59:28
444
原创 河南萌新联赛2024第（二）场：南阳理工学院
b的每一位都相同，即可以发现a的某一位乘b得到的每一位结果都相同，用字符串模拟乘法计算。先用bfs跑一遍，记录每个队伍之间的最短距离，再跑一遍最小生成树，即可得到答案。题目表示保证各个国家可以相互抵达，即从小到大排序，按所查序号输出。签到题，可以用博弈论做，但是其实两个人缩写都是DHY，直接输出即可。直接用string类型的find函数，找一个用erase删一个。直接用map加set，去除相同的再舍去后缀。
2024-07-27 01:04:46
397
原创 河南萌新联赛2024第（一）场：河南农业大学
用一个优先队列，小根堆，把前k跟先入队，接着从k+1个入队，每次取出堆顶最小的那个，用m减去，m小于等于0跳出。反过来 n通过-1、-2、/2几次转化为0。在可循环的范围内找到最大的值。每次取最大的出来考虑即可。
2024-07-22 16:46:18
491
原创 人脸检测（Python）
FaceDetector是一个基于OpenCV的库，它提供了一个简单而强大的人脸检测器。它使用了OpenCV的级联分类器（Cascade Classifier）来检测人脸，并提供了方便易用的接口。FaceDetector可以在静态图像或实时视频中检测出人脸，并返回每个检测到的人脸的位置和边界框。它还可以根据需要进行参数调整，以适应不同场景和要求。FaceDetector在诸如人脸识别、人脸跟踪、表情检测等应用中非常有用。
2024-07-07 23:41:24
10143
11
原创 模拟 枚举 贪心（C++ 题目 代码 注解）
小晨的电脑上安装了一个机器翻译软件，他经常用这个软件来翻译英语文章。这个翻译软件的原理很简单，它只是从头到尾，依次将每个英文单词用对应的中文含义来替换。对于每个英文单词，软件会先在内存中查找这个单词的中文含义，如果内存中有，软件就会用它进行翻译；如果内存中没有，软件就会在外存中的词典内查找，查出单词的中文含义然后翻译，并将这个单词和译义放入内存，以备后续的查找和翻译。假设内存中有 MMM 个单元，每单元能存放一个单词和译义。
2024-04-29 22:03:31
1156
原创 前缀和、差分模板（C++ 一维、二维）
前缀和（Prefix Sum）和差分（Difference）是两种常用的数组操作，用于解决一些求和、求区间和、区间修改等问题。前缀和是指一个数组中每个位置上的元素与它前面位置上所有元素的和。例如，数组nums=[1, 2, 3, 4, 5]的前缀和数组为prefix=[1, 3, 6, 10, 15]，其中prefix[i]表示nums中前i个元素的和。我们可以通过一次遍历数组来计算前缀和，时间复杂度为O(n)。差分是指一个数组中每个位置上的元素与它前面位置上的元素的差。
2024-04-27 09:29:36
442
原创 最短路径（迪杰斯特拉 题目 代码 C++ 注解）
【代码】最短路径（迪杰斯特拉 题目 代码 C++ 注解） 题目一（哈利.波特的考试）、题目二（旅游规划）、题目三（城市间的紧急救援）、题目四（天梯地图）、题目五（直捣黄龙）
2024-04-10 23:43:23
591
原创 数学建模 （线性规划 python代码 两种)
线性规划（Linear Programming，LP）是一种数学优化方法，用于解决一类特定类型的最优化问题。该问题的目标是在给定的一组线性约束条件下，找到使某个线性目标函数达到最大或最小的变量值。其中，c是一个n维向量，表示线性目标函数的系数；x是一个n维向量，表示待求解的变量；A是一个m×n的矩阵，表示约束条件的系数；b是一个m维向量，表示约束条件的右侧常数。线性规划广泛应用于经济学、工程学、运筹学等领域，用于解决资源分配、生产计划、货运调度等问题。约束条件：Ax = 0。
2024-03-24 16:52:23
1390
原创 深度学习 （正则化 权重衰减解决过拟合 欠拟合）
深度学习中的权重衰减（weight decay）是一种正则化技术，用于防止过拟合。它通过对模型的损失函数添加一个正则化项，来惩罚模型的权重参数。在权重衰减中，模型的损失函数会由原来的仅考虑预测误差部分改为考虑预测误差和权重的大小两部分。其中，预测误差部分衡量模型的拟合能力，而权重大小部分则衡量模型的复杂度。通过权重衰减，我们可以在保持模型的拟合能力的同时，尽量减小模型的复杂度，从而达到减小过拟合的效果。具体来说，权重衰减可以通过在损失函数中添加一个惩罚项来实现。通常，惩罚项采用L2范数（也称为欧氏距
2024-03-24 00:13:41
665
原创 深度学习（过拟合 欠拟合）
深度学习模型由于其复杂性，往往容易出现过拟合的问题。以下是一些深度学习中常见的过拟合原因和解决方法：1. 数据量不足：深度学习模型通常需要大量的数据来进行训练，如果数据量不足，模型容易过度拟合训练集。解决方法包括增加数据集的规模，或者使用数据增强技术来生成更多的数据样本。2. 模型复杂度过高：如果深度学习模型的层数或参数过多，模型容易过度拟合训练数据。解决方法包括减少模型层数，减少模型参数数量，或者通过正则化（如L1、L2正则化）加入额外的约束限制模型的复杂度。
2024-03-24 00:00:04
1233
原创 深度学习 （线性回归 简洁实现）
训练线性回归模型的目标是找到最优的权重和偏置项，使得模型预测的输出与真实值之间的平方差（即损失函数）最小化。在深度学习中，通过将多个线性回归模型组合在一起，可以构建更复杂的神经网络结构，以解决更复杂的问题。在线性神经网络中，线性回归是一种常见的任务，用于预测一个连续的数值输出。其目标是根据输入特征来拟合一个线性函数，使得预测值与真实值之间的误差最小化。其中，y表示预测的输出值，x1, x2, ..., xn表示输入特征，w1, w2, ..., wn表示特征的权重，b表示偏置项。
2024-03-23 16:34:11
806
原创 深度学习 线性神经网络（线性回归 从零开始实现）
定义模型"""线性回归模型"""#定义损失和函数"""均方损失"""#定义优化算法 """小批量随机梯度下降"""def sgd(params, lr, batch_size): #参数、lr学习率、
2024-03-23 16:33:30
827
原创 深度学习 （自动求导）
深度学习是一种机器学习方法，其使用神经网络模型来进行学习和预测。自动求导是深度学习中的一项重要技术，用于计算神经网络中各个参数对损失函数的偏导数。在深度学习中，我们通常使用一个损失函数来衡量模型的预测结果与真实值之间的差异。然后，我们通过调整神经网络中的参数，以最小化损失函数，从而改善模型的预测能力。自动求导是指计算某个函数的导数时，由计算机自动完成的过程。在深度学习中，我们需要计算损失函数对网络参数的偏导数，以便进行参数更新。由于神经网络的结构复杂且参数众多，手动计算这些偏导数是非常困难和耗时的。
2024-03-23 16:33:02
526
原创 数学建模（灰色关联度 python代码 案例）
灰色关联度是一种多指标综合评价方法，用于分析和评价不同指标之间的关联程度。它可以用于确定多个因素之间的相关性，以及它们对某个问题或现象的影响程度。灰色关联度根据数据的相对大小和发展趋势，将指标划分为灰色数列，然后通过计算各指标之间的相对关联度来确定其关联程度。灰色关联度的计算过程包括以下几个步骤：1. 数据标准化：将各指标的原始数据进行标准化处理，将其转化为无量纲的数据。2. 累积生成：将各指标数据按照一定顺序进行累积生成，得到灰色数列。
2024-03-21 18:21:38
1327
原创 数学建模（Topsis python代码 案例）
在数学建模中，Topsis方法是一种多准则决策分析方法，用于评估和排序备选方案。它代表了“最佳方案相似性排序技术”。在Topsis方法中，每个备选方案根据一组准则进行评估，并分配权重，以反映它们的相对重要性。然后，该方法根据每个备选方案与理想解和负理想解之间的差异计算两个度量值：到理想解的距离和到负理想解的距离。理想解代表了每个准则的最佳可能值，而负理想解则代表了最差可能值。这些距离度量值使用一个公式计算，考虑了备选方案与这两个参考点之间差异的加权总和。
2024-03-21 09:30:48
948
原创 数学建模（熵权法 python代码 例子）
熵权法是一种多属性决策方法，用于确定各个属性在决策中的重要程度。该方法的核心思想是通过计算属性的熵值，来评估属性的信息量和不确定性，进而确定属性的权重。熵是信息论中的概念，表示一个随机变量的不确定性。在决策中，一个属性的熵越大，说明该属性对决策的贡献越大，因为它包含了更多的信息。熵权法通过计算属性的熵，然后将每个属性的熵除以总的熵，得到每个属性的权重。熵权法在多属性决策中具有一定的优势，能够考虑到不同属性的权重，提高决策的准确性和可靠性。
2024-03-20 21:48:47
1126
1
原创 数学建模（层次分析法 python代码 案例）
层次分析法（Analytic Hierarchy Process, AHP）是一种多准则决策分析方法，它将多个准则组织成一个层次结构，通过对各个层次之间的比较和权重的计算，最终得到准则的相对重要性和最优解决方案。在层次结构模型中，各层次之间的关系通过比较矩阵来表示，比较矩阵中的元素表示各个准则或方案之间的相对重要性。在层次分析法中，通过对比较矩阵进行一系列计算，可以得到各个准则和方案的权重，从而评估它们的相对重要性。层次分析法的特点是能够处理多个准则之间的相对重要性，能够量化主观判断，并且易于理解和应用。
2024-03-19 23:09:55
1478
2
原创 贪心问题题目集一（代码 注解）
贪心算法是一种特殊的算法思想，它在每一步选择中都采取当前状态下最优的选择，从而希望达到全局最优的解。贪心算法的基本思路是通过贪心策略进行选择，每次选择都是局部最优的，但不能保证最终达到全局最优。贪心算法的适用条件是问题具有贪心选择性质，即通过局部最优解可以得到全局最优解。而且贪心选择性质要能够推导出最优解的正确性。贪心算法的步骤通常包括以下几个步骤：1. 将问题分解成若干个子问题，问题的解可以通过这些子问题的解来构造；2. 确定贪心选择，即每一步的最优选择；
2024-03-17 19:56:29
364
原创 动态规划题目集一（代码 注解）
动态规划是一种算法设计技术，用于解决具有重叠子问题和最优子结构特征的问题。它通过将大问题拆分成小问题，并保存每个小问题的解以避免重复计算，从而提高算法的效率。在动态规划中，问题可以通过子问题的最优解来构建整体问题的最优解。动态规划的核心思想是利用已解决的子问题的解来构建更大规模问题的解，以此递推得到最优解。动态规划通常包含以下三个步骤：1. 定义问题的状态：将问题划分为若干个子问题，并确定状态变量表示子问题的解。2. 定义状态转移方程：通过递推关系式，将大问题的解表示为小问题的解。
2024-03-17 19:34:17
567
原创 动态规划（蓝桥杯 C++ 题目 代码 注解）
动态规划（Dynamic Programming）是一种解决多阶段决策问题的算法思想，也是一种问题求解方法。动态规划的基本思想是将问题划分为若干个子问题，然后通过计算子问题的最优解来得到原问题的最优解。这种划分子问题的方式，需要满足两个条件：1. 原问题的最优解包含子问题的最优解；2. 子问题之间必须相互独立，即子问题之间不存在重复计算。动态规划的解决过程一般包括以下几个步骤：1. 定义问题的状态：将原问题划分为若干个子问题，并定义每个子问题的状态。
2024-03-10 22:38:32
1790
原创 深度学习预备知识（线性代数）
深度学习是一种机器学习的方法，涉及到大量的线性代数运算。线性代数是研究向量空间和线性映射的数学学科。在深度学习中，线性代数常用于表示和处理输入数据和模型参数。下面是一些深度学习中常见的线性代数概念和运算：1. 向量：在深度学习中，向量是一种表示数据的结构。它可以表示输入数据、模型参数和梯度等。向量通常用列向量表示，形如x = [x1, x2, ..., xn]。向量之间可以进行加法、减法和标量乘法等运算。2. 矩阵：矩阵是一个二维的数组，通常用于表示线性映射。
2024-03-10 13:33:56
1067
原创 贪心算法（蓝桥杯 C++ 题目 代表 注解）
贪心算法（Greedy Algorithm）是一种在每一步选择中都采取当前状态下最好或最优（即最有利）的选择，从而希望最终能够得到全局最好或最优的结果的算法。它通常用来解决一些最优化问题，如最小生成树、最短路径等。贪心算法的核心思想是每次都选择局部最优解，而不考虑全局的情况。通过不断地做出局部最优选择，整体上就能得到一个接近最优解的解。然而，贪心算法并不是在所有情况下都能得到最优解。由于贪心算法只考虑当前的最优选择，而不进行回溯，可能会导致最终结果并非全局最优解。
2024-03-09 23:07:01
1120
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人