UVA - 213 Message Decoding

提莫链接:Message Decoding

题意:

       给一个编码头和一串编码(编码可以换行),编码头根据以下规则对应编码{  考虑下面的01串:  0,00,01,10,000,001,010,101,110,0000,0001.....首先是长度为1的串,然后是长度为二的串,以此类推。并且每一段长度的数字从0到(1<<n)-1(第n段)排列,即题目中所说不包括全为1的串。

   编码文本由多个小节组成,每小节前三位数字表示该小节中每个编码的长度(例010表示编码长度为2),然后是各个字符的编码,每小节以全1结束。例第一小节:00101。

   你的任务是编写一个解码程序,将输入的编码转化为对应编码头中字符的句子输出。

思路:

可以把编码理解成二进制,这样就不用以字符串的形式存储了,可以直接用int存。用(len,value)这个二元组来表示一个编码,其中len是编码长度,value是编码对应的十进制值。用gets接收编码头,用getchar()吸收换行符。二进制部分用%1d来接收。

代码:

#include<stdio.h>
#include<string.h>
#include<algorithm>
#include<iostream>
using namespace std;
char code[8][1<<8];
char str[1<<9];
string ans;
int main()
{
    while(gets(str))
    {
        int num=0,d,len=1;
        for(int i=0; str[i]; i++)
        {
            if(num==(1<<len)-1)
            {
                num=0;
                len++;
            }
            code[len][num]=str[i];
            num++;
        }
        int ed=1;
        ans="";
        while(len)
        {
            if(ed)
            {
                num=0;
                len=0;
                while(scanf("%1d",&d))
                {
                    num=num*2+d;
                    len++;
                    if(len==3)
                    {
                        ed=0;
                        len=num;
                        break;
                    }
                }
            }
            else
            {
                num=0;
                for(int i=0;i<len;i++)
                {
                    scanf("%1d",&d);
                    num=num*2+d;
                }
                if(num==(1<<len)-1)
                {
                    ed=1;
                    continue;
                }
                ans+=code[len][num];
            }
        }
        cout<< ans << endl;
        getchar();
    }
    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