【DFS】GirlCat HDU5706


#include <bits/stdc++.h>

using namespace std;

int dir[4][2]={{0,-1},{-1,0},{0,1},{1,0}};
char ch[1010][1010];
int h,w;
int gsum;
int csum;

void dfs(int i,int j,char c)
{
	char ct;
	if(c=='g') ct='i';
	else if(c=='i') ct='r';
	else if(c=='r') ct='l';

	else if(c=='c') ct='a';
	else if(c=='a') ct='t';

	for(int u=0;u<4;u++)
	{
		int ti=i+dir[u][0];
		int tj=j+dir[u][1];
		if(ti<0||ti>=h||tj<0||tj>=w) continue;

		if(ch[ti][tj]==ct)
		{
			if(ct=='l')
			{
				gsum++;
				continue;
			}
			else if(ct=='t')
			{
				csum++;
				continue;
			}

			dfs(ti,tj,ct);
		}
	}
}

int main()
{
	int T;
	scanf("%d",&T);
	while(T--)
	{
		int Gsum=0,Csum=0;
		scanf("%d%d",&h,&w);
		for(int i=0;i<h;i++)
			scanf("%s",ch[i]);

		for(int i=0;i<h;i++)
			for(int j=0;j<w;j++)
		{
			if(ch[i][j]=='g')
			{
				gsum=0;
				dfs(i,j,'g');
				Gsum+=gsum;
			}

			else if(ch[i][j]=='c')
			{
				csum=0;
				dfs(i,j,'c');
				Csum+=csum;
			}
		}
		printf("%d %d\n",Gsum,Csum);
	}
    return 0;
}


内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
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