牛客练习赛78

太菜了
就写了A和B,B还卡半天。。。
写贴代码
思路明天写

A

#include<bits/stdc++.h>
#define IOS ios::sync_with_stdio(0); cin.tie(0); cout.tie(0);
using namespace std;
typedef long long ll;
const int N=1e4+10;
char s[N][4];
char s2[3];
int n;
int q; 

int main()
{
	cin>>n;
	for(int i=1;i<=n;i++)
	{
		cin>>s[i];
	}

	cin>>q;
	while(q--)
	{
		cin>>s2;
		int ans=0;
		int flag=0;
		for(int i=1;i<=n;i++)
		{
			flag=-1;
			if(s[i][0]==s2[0]&&s[i][1]==s2[1])
			{
				flag=1;
			}
			else if(s[i][0]==s2[1]&&s[i][1]==s2[0])
			{
				flag=1;
			}
		//	if(flag==1) printf("s[i]==%s \n",s[i]);
			if(flag==1)
			{
				ans++;
			}
		}
		cout<<ans<<endl;
	}
	return 0;
}

B

#include<bits/stdc++.h>
using namespace std;
const int N=2010;
int a[N],b[N],c[N];
int n,m;
int ans;
int s[N];
int q[N],cnt;
int d[N];
bool st[N];
void get(int u)
{
	int pp=c[u];
	for(int i=u;i>=2;i--)
	{
		c[i]=c[i-1];
	}
	c[1]=pp;
}
void get2(int u)
{
	int pp=s[u];
	for(int i=u;i>=2;i--)
	{
		s[i]=s[i-1];
	}
	s[1]=pp;
}
int main()
{
	cin>>n>>m;
	for(int i=1;i<=n;i++)
	{
		cin>>a[i];
	}
	cnt=1;
	for(int i=1;i<=m;i++)
	{
		cin>>b[i];
		if(!st[b[i]]) c[cnt++]=b[i];
		st[b[i]]=true;
	}
	for(int i=1;i<cnt;i++)
	{
	//	cout<<c[i]<<" ";
		s[i]=a[c[i]];
	}
/*	cout<<endl;
	for(int i=1;i<cnt;i++)
	{
		cout<<s[i]<<" ";
	}
	cout<<endl; */

	int j=1;
	for(int i=1;i<=m;i++)
	{
		int flag=0;
		for( j=1;j<cnt;j++)
		{
	//		printf("b[%d]===%d c[%d]==%d\n",i,b[i],j,c[j]);
			if(b[i]==c[j]) break;
			flag=1;
			ans+=s[j];
	//		printf("ans===%d\n",ans);
		}
		if(flag==1)
		{
		get(j);
		get2(j);
		}
/*		for(int p=1;p<cnt;p++)
		{
			cout<<c[p]<<" ";
		}
		cout<<endl;
	/*	for(int p=1;p<=cnt;p++)
		{
	//		cout<<s[p]<<" ";
		}
	//	cout<<endl; */
	}
	cout<<ans<<endl;
	return 0;
	
	
}
本项目聚焦于利用Tensorflow框架搭建完整的卷积神经网络(CNN)以实现文本分类任务。文本分类是自然语言处理的关键应用,目的是将文本自动归类到预定义的类别中。项目涵盖从数据预处理到模型训练、评估及应用的全流程。 README.md文件详细阐述了项目概览、安装步骤、运行指南和注意事项,包括环境搭建、代码运行说明以及项目目标和预期结果的介绍。 train.py是模型训练的核心脚本。在Tensorflow中,首先定义模型结构,涵盖CNN的卷积层、池化层和全连接层。接着,加载数据并将其转换为适合模型输入的格式,如词嵌入。之后,设置损失函数(如交叉熵)和优化器(如Adam),并配置训练循环,包括批次大小和训练步数等。训练过程中,模型通过调整权重来最小化损失函数。 text_cnn.py文件包含CNN模型的具体实现细节,涉及卷积层、池化层的构建以及与全连接层的结合,形成完整模型。此外,还可能包含模型初始化、编译(设定损失函数和评估指标)及模型保存功能。 eval.py是用于模型评估的脚本,主要在验证集或测试集上运行模型,计算性能指标,如准确率、精确率、召回率和F1分数,以评估模型在未见过的数据上的表现。 data_helpers.py负责数据预处理,包括分词、构建词汇表、将文本转换为词向量(如使用预训练的Word2Vec或GloVe向量),以及数据划分(训练集、验证集和测试集)。该文件还可能包含数据批处理功能,以提高模型训练效率。 data文件夹存储了用于训练和评估的影评数据集,包含正负面评论的标注数据。数据预处理对模型性能至关重要。本项目提供了一个完整的端到端示例,是深度学习文本分类初学者的优质学习资源。通过阅读代码,可掌握利用Tensorflow构建CNN处理文本数据的方法,以及模型管理和评估技巧。同时,项目展示了如何使用大型文本数据集进行训练,这对提升模型泛化能力极为重要。
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