C++ 线段树—模板&总结

本文深入探讨了信息学竞赛中常用的线段树算法,详细介绍了线段树的数据结构及其应用,通过提供实用模板和易错点总结,帮助读者快速掌握线段树的使用技巧,解决区间操作问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

在信息学竞赛中,经常遇到这样一类问题:这类问题通常可以建模成数轴上的问题或是数列的问题,具体的操作一般是每次对数轴上的一个区间或是数列中的连续若干个数进行一种相同的处理。常规的做法一般依托于线性表这种数据结构,导致了处理只能针对各个元素逐个进行,因此算法的效率较低。
线段树是一种能够有效处理区间操作的高级数据结构,利用这种数据结构,我们能够设计出针对上述问题更加高效的算法。
线段树的题目通常比较明显,一般一个很明显的特征是m次对某一区间长度的查询。或者是修改。所以我们通常需要的只是将线段树的模型稍加修改,进而套入题目中即可。
模板:

对单个点的修改,和对一段区间的查询:

//线段树单个点修改&区间查询
#include<iostream>
#include<iomanip>
#include<cstring>
#include<climits>
#include<cmath>
#include<cstdio>
#include<cstdlib>
#include<queue>
#include<vector>
#include<map>
#include<algorithm>
#include<string>
#include<memory>
using namespace std;

const int e=100006;
struct qq
{
    int maxx;
}tree[4*e];//线段树要开4倍的点的个数
int n,t,a,b;

void updata(int l,int r,int root)
{
    if(r<a || l>a)    return;
    if(r==l)
    {
        tree[root].maxx=b;
        return;
    }

    int mid=(l+r)/2;
    updata(l,mid,root*2);
    updata(mid+1,r,root*2+1);
    tree[root].maxx=max(tree[root*2].maxx,tree[root*2+1].maxx);
}


int search(int l,int r,int root)
{
    if(l>b || r<a)    return(-999999999);

    if(l>=a && r<=b)    return(tree[root].maxx);

    int mid=(l+r)/2;
    return(max( search(l,mid,root*2), search(mid+1,r,root*2+1)));
}

int main()
{
    memset(tree,0,sizeof(tree));
    cin>>n;

    for(int i=0;i<n;i++)
    {
        scanf("%d%d%d",&t,&a,&b);

        if(t==1)    updata(1,n,1);//将点a的值改为b
        if(t==2)    cout<< search(1,n,1) << endl;//查找区间a(含)到b(含)的最大值;
    }

    return 0;
}

对一段区间的修改和查询:

//线段树 区间 修改&查询
#include<iostream>
#include<iomanip>
#include<cstring>
#include<climits>
#include<cmath>
#include<cstdio>
#include<cstdlib>
#include<queue>
#include<vector>
#include<map>
#include<algorithm>
#include<string>
#include<memory>
using namespace std;

const int e=100006;
struct qq
{
    int maxx,delta;
}tree[4*e];//线段树要开4倍的点的个数
int n,t,a,b;

void updata(int l,int r,int root)//更新数据
{
    if(b<l || r<a)    return;

    if(l>=a && r<=b)//这句是核心,若当前区间包含于修改区间,就不往下传,(未传到叶子节点);
    {
        tree[root].maxx++;
        tree[root].delta++;
        return;
    }

    int mid=(l+r)/2,delta=tree[root].delta;
    tree[root*2].maxx+=delta;
	tree[root*2].delta+=delta;
    tree[root*2+1].maxx+=delta;
	tree[root*2+1].delta+=delta;
    tree[root].delta=0;//这句很关键,根的偏移量传递到子树后清零
    updata(l,mid,root*2);
    updata(mid+1,r,root*2+1);
    tree[root].maxx=max( tree[root*2].maxx, tree[root*2+1].maxx);
    return;
}

int search(int l,int r,int root)
{
    if(l>b || r<a)    return(-99999999);

    if(l>=a && r<=b)    return(tree[root].maxx);

    int mid=(l+r)/2,delta=tree[root].delta;
    tree[root*2].maxx+=delta;
	tree[root*2].delta+=delta;
    tree[root*2+1].maxx+=delta;
	tree[root*2+1].delta+=delta;
    tree[root].delta=0;      //这句很关键,根的偏移量传递到子树后清零
    return(max( search(l,mid,root*2), search(mid+1,r,root*2+1)));
}

int main()
{
    memset(tree,0,sizeof(tree));
    cin>>n;

    for(int i=0;i<n;i++)
    {
        scanf("%d%d%d",&t,&a,&b);

        if(t==1)    updata(1,n,1);
        if(t==2)    cout<< search(1,n,1) << endl;
    }

    return 0;
}
以下是做线段树题目时的易错点:
1、开线段树的结构体时一定要开到4倍的点的大小;
2、写区间求和时的题目时search()函数的返回值在不再区间里时返回0,而区间求最小值时返999999999,最大值时返回-999999999;(int时)一定要是九个9,不然有些极限数据会卡范围;
3、写修改单个点的值和一个区间的值的函数最好分开,一个是节省时间,还有可以防止代码混乱而出错;
4、Search()&updata()函数中判断区间范围的if语句中l,r和查找的区间a,b的关系容易出错;
5、注意根节点和子节点的关系,特别是+1的问题,归结为一句话就是:若加都加,若不加都不加即:
mid=(l+r);左子树:l~mid(不加一),根为root*2;右子树:r~mid+1(加一了),根为root*2+1(也加一);

6、权值是在边上还是点上,这两种关系代码判断上有不同;
7、结构体赋初值的时候也要注意,根据所求的是最大还是最小还是和来判断;
8、线段树的左端点在数组中的下标一定要是1,而不是0。



转载于:https://www.cnblogs.com/tham/p/6827180.html

<think>好的,我现在要处理用户关于Android 12中RKNN开发配置和使用教程的问题。首先,我需要回顾用户提供的引用内容,看看是否有相关的信息。 用户提供了三个引用。引用1提到了RKNN Model Zoo和RKNN Toolkit2的环境配置,包括安装Miniconda3。引用2是关于系统镜像下载,特别是Ubuntu 22.04版本和导出ONNX模型。引用3讨论了RV1808/1126使用RKNN作为MediaPipe推理后端的步骤,包括配置参数如use_rga、use_mmap和data_type的设置,以及反量化的处理。 用户的问题集中在Android 12上,所以需要将引用中的信息与Android系统关联起来。引用3提到了MediaPipe和RKNN的集成,这可能适用于Android开发,但需要确认是否支持Android 12。此外,RKNN Toolkit2的环境配置可能在不同平台上有所不同,用户可能需要针对Android进行调整。 接下来,我需要考虑Android开发中RKNN的一般步骤,比如环境准备、模型转换、集成到Android应用、配置参数和性能优化。结合引用中的信息,模型转换部分可以参考引用2提到的导出ONNX模型,然后使用RKNN Toolkit转换为RKNN格式。引用3中的配置参数(如use_rga、use_mmap、data_type)可能在Android中同样适用,但需要查阅相关文档确认。 可能还需要指导用户如何将RKNN库集成到Android项目中,比如添加依赖项或NDK配置。此外,性能优化方面,引用3提到的反量化处理可能需要特别注意,尤其是在Android设备上的实现。 最后,确保回答结构清晰,分步骤说明,并引用提供的资料。需要验证引用中的信息是否适用于Android 12,例如系统镜像是否支持,或者是否有特定版本的要求。如果某些步骤在引用中没有明确说明,可能需要提示用户参考官方文档或社区资源。</think>### Android 12 RKNN 开发配置与使用教程 #### 1. **环境准备** - **系统镜像与工具链**: 根据引用[2],建议使用Ubuntu 22.04作为开发环境,并下载Orange Pi 5 Pro等支持RKNN的硬件镜像。对于Android 12开发,需确保RKNN Toolkit2适配Android NDK版本(推荐NDK 21+)[^2]。 - **安装RKNN Toolkit2**: 参考引用[1],通过Miniconda3配置Python环境(建议Python 3.8),并安装RKNN Toolkit2以支持模型转换与推理。命令示例: ```bash pip install rknn_toolkit2 ``` #### 2. **模型转换(ONNX转RKNN)** - **导出ONNX模型**: 使用PyTorch或TensorFlow等框架导出模型为ONNX格式(引用[2])。 - **转换为RKNN格式**: 编写RKNN配置文件(`config.yml`),指定输入尺寸、量化方式等参数。示例代码: ```python from rknn.api import RKNN rknn = RKNN() rknn.config(target_platform='rk3568', mean_values=[[127.5]], std_values=[[127.5]]) rknn.load_onnx(model="model.onnx") rknn.build(do_quantization=True, dataset="dataset.txt") rknn.export_rknn("model.rknn") ``` #### 3. **Android项目集成** - **添加RKNN库依赖**: 将编译好的RKNN动态库(`librknnrt.so`)和模型文件(`model.rknn`)放入Android项目的`jniLibs`目录。 - **JNI接口开发**: 通过JNI调用RKNN的C/C++ API实现推理。关键配置参考引用[3]: ```cpp #include <rknn/rknn_runtime.h> rknn_context ctx; int ret = rknn_init(&ctx, model_path, 0, 0, nullptr); ret = rknn_inputs_set(ctx, input_num, input_attrs); ret = rknn_run(ctx, nullptr); ret = rknn_outputs_get(ctx, output_num, output_attrs, nullptr); ``` #### 4. **关键配置参数** - **use_rga与use_mmap**: 根据引用[3],若Android设备不支持硬件加速(如RGA),需将`use_rga`和`use_mmap`设为`false`。 - **数据量化类型**: `data_type`可选`uint8`或`fp32`。若选`uint8`,需手动实现反量化;若选`fp32`,RKNN会自动处理[^3]。 #### 5. **性能优化** - **多线程推理**: 利用Android的`ThreadPoolExecutor`并行处理输入数据。 - **内存优化**: 启用`use_mmap`(若支持)减少内存拷贝开销,或通过零拷贝技术直接操作物理内存。 #### 6. **调试与验证** - **日志输出**: 启用RKNN的调试模式(`RKNN_LOG_LEVEL=DEBUG`)查看详细运行信息。 - **性能分析**: 使用`rknn.query(RKNN_QUERY_PERF_DETAIL)`获取各层耗时,针对性优化模型结构。
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