uva_11069_A Graph Problem( DP )

区间DP问题解析
本文介绍了一个简单的区间动态规划问题,并详细展示了如何通过状态定义、状态转移方程来解决该问题。代码实现部分采用C++语言,包括状态数组初始化、递归求解过程等关键步骤。

題意:
簡單明遼,略。
分析:
狀態:f[i][j]表示序列i到j的最大集和數量
狀態轉移:f[i][j] 那麼有兩種選擇:
1.選擇第i個,那麼第i+1個就不能選擇,這就跟f[i+2]有關了
2.選擇第i+1個,那麼第i個和第i+1個都不能選擇,這就跟f[i+3]有關
Code:
#include <set>
#include <map>
#include <cmath>
#include <ctime>
#include <stack>
#include <queue>
#include <deque>
#include <vector>
#include <cstdio>
#include <bitset>
#include <cstdlib>
#include <cstring>
#include <algorithm>
using namespace std;


#define DIR     4
#define DIM     2
#define STATUS  2
#define MAXM    100 + 10
#define MAXN    100 + 10
#define oo      (~0u)>>1
#define INF     0x3F3F3F3F
#define REPI(i, s, e)    for(int i = s; i <= e; i ++)
#define REPD(i, e, s)     for(int i = e; i >= s; i --)


static const double EPS = 1e-5;


long long f[MAXN][MAXN];


inline long long dp(int l, int r)
{
        if( -1 != f[l][r] ) {
                return f[l][r];
        }
        if( l >= r ) {
                return f[l][r] = (l == r);
        }
        f[l][r] = dp(l+2, r)+(l+2 > r);
        f[l][r] += dp(l+3, r)+(l+3 > r);
        return f[l][r];
}


int main(int argc, char const *argv[])
{
#ifndef ONLINE_JUDGE
        freopen("test.in", "r", stdin);
#endif
        int n;
        memset(f, -1, sizeof(f));
        while( ~scanf("%d", &n) ) {
                printf("%lld\n", dp(1, n));
        }
        return 0;
}


### PyTorch 中 `retain_graph` 和 `create_graph` 参数的作用及用法 #### `retain_graph` 的作用 在 PyTorch 中,默认情况下,每次调用 `.backward()` 方法执行反向传播之后,计算图会被自动释放以节省内存。然而,在某些场景下,比如需要在同一计算图上进行多次反向传播时,则需通过设置 `retain_graph=True` 来阻止计算图的立即销毁。 例如: ```python a = torch.tensor(1., requires_grad=True) b = torch.tensor(1., requires_grad=True) c = a ** 2 d = b * c c.backward(retain_graph=True) # 第一次反向传播并保留计算图 d.backward() # 可再次利用相同的计算图进行第二次反向传播 ``` 上述代码展示了如何使用 `retain_graph=True` 实现多轮次的反向传播操作而无需重建计算图[^1]。 需要注意的是,如果频繁地设置此选项可能会引起 GPU 显存占用过高甚至溢出的问题,因此应当谨慎处理循环内的连续反向传播过程[^3]。 #### `create_graph` 的功能说明 另一方面,`create_graph` 主要应用于二阶及以上导数(即 Hessian 矩阵)的求解场合。当设定了 `create_graph=True` 后,不仅会构建当前层面对应的一阶导数链路结构,还会进一步追踪更高层次上的变化关系以便后续能够继续对其它变量求偏微分。 具体应用如下所示: ```python import torch def hessian_example(): x = torch.randn((), requires_grad=True) y = x ** 2 grad_y, = torch.autograd.grad( outputs=y, inputs=x, create_graph=True # 创建动态计算图支持高阶导数运算 ) hess_y, = torch.autograd.grad( outputs=grad_y, inputs=x # 对同一输入再做一次梯度计算得到Hessian矩阵中的元素 ) hessian_example() ``` 在此例子中,为了获取给定函数关于自变量 \(x\) 的海森矩阵项,必须先开启 `create_graph` 才能顺利完成整个流程[^4]。
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