每日一题-1

/*
 * 题目详情
peter喜欢玩数字游戏,但数独这样的游戏对他来说太简单了,于是他准备玩一个难的游戏。游戏规则是在一个N*N的表格里填数,
规则:
对于每个输入的N,从左上角开始,总是以对角线为起点,先横着填,再竖着填。这里给了一些样例,请在样例中找到规律并把这个N*N的表格打印出来吧。
输入描述:
多组测试数据(数据量在100组以内)。每组测试数据只有一行为一个整数N(1<=N<=30),表示表格的大小。
输出描述:
对于每组输入数据,输出N行,为填完的表格(N行,每行N个整数,每个数字之间用空格隔开。
答题说明
输入样例:
3
5
输出样例:
1 2 3
4 6 7
5 8 9


1 2 3 4 5
6 10 11 12 13
7 14 17 18 19
8 15 20 22 23
9 16 21 24 25

 */

这是一道较为简单的编程练习,其考察的核心是读写控制。因此,就会有两种方法来解决这个问题:1·顺序写入控制读出;2·控制写入顺序读出。

这和TST型交换机的读写有点类似——他们都是在读写两方面分别进行控制。

方法一:顺序写入控制读出

(暂未实现)

方法二:控制写入顺序读出

public class exercise 
{
int N;
int a[][];
int counter;

public void init(int n)
{
N=n;
a=new int[n][n];
   counter=1;
for(int i=0;i<n;i++)
{
for(int j=i;j<n;j++)
a[i][j]=counter++;
for(int j=i+1;j<n;j++)
a[j][i]=counter++;
}
}
public void show()
{
for(int i=0;i<N;i++)
{
for(int j=0;j<N;j++)
{
System.out.print(" ");
System.out.print(a[i][j]);
if(j==N-1)
System.out.println();
}
}
}

public static void main(String[] args)
{
exercise ex1=new exercise();
for(int i=0;i<4;i++)
{
ex1.init(2*i+1);
ex1.show();
}
}

}

运行结果:

 1
 1 2 3
 4 6 7
 5 8 9
 1 2 3 4 5
 6 10 11 12 13
 7 14 17 18 19
 8 15 20 22 23
 9 16 21 24 25
 1 2 3 4 5 6 7
 8 14 15 16 17 18 19
 9 20 25 26 27 28 29
 10 21 30 34 35 36 37
 11 22 31 38 41 42 43
 12 23 32 39 44 46 47
 13 24 33 40 45 48 49

在当今计算机视觉领域,深度学习模型在图像分割任务中发挥着关键作用,其中 UNet 是一种在医学影像分析、遥感图像处理等领域广泛应用的经典架构。然而,面对复杂结构和多尺度特征的图像,UNet 的性能存在局限性。因此,Nested UNet(也称 UNet++)应运而生,它通过改进 UNet 的结构,增强了特征融合能力,提升了复杂图像的分割效果。 UNet 是 Ronneberger 等人在 2015 年提出的一种卷积神经网络,主要用于生物医学图像分割。它采用对称的编码器 - 解码器结构,编码器负责提取图像特征,解码器则将特征映射回原始空间,生成像素级预测结果。其跳跃连接设计能够有效传递低层次的细节信息,从而提高分割精度。 尽管 UNet 在许多场景中表现出色,但在处理复杂结构和多尺度特征的图像时,性能会有所下降。Nested UNet 通过引入更深层次的特征融合来解决这一问题。它在不同尺度上建立了密集的连接路径,增强了特征的传递与融合。这种“嵌套”结构不仅保持了较高分辨率,还增加了特征学习的深度,使模型能够更好地捕获不同层次的特征,从而显著提升了复杂结构的分割效果。 模型结构:在 PyTorch 中,可以使用 nn.Module 构建 Nested UNet 的网络结构。编码器部分包含多个卷积层和池化层,并通过跳跃连接传递信息;解码器部分则包含上采样层和卷积层,并与编码器的跳跃连接融合。每个阶段的连接路径需要精心设计,以确保不同尺度信息的有效融合。 编码器 - 解码器连接:Nested UNet 的核心在于多层次的连接。通过在解码器中引入“skip connection blocks”,将编码器的输出与解码器的输入相结合,形成一个密集的连接网络,从而实现特征的深度融合。 训练与优化:训练 Nested UNet 时,需要选择合适的损失函数和优化器。对于图像分割任务,常用的损失
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