51nod 1821 最优集合

本文介绍了一个算法竞赛题目,通过对特定数值范围的操作实现最优求和策略。利用预处理和双指针技巧,在O(T*(N+M))的时间复杂度内解决问题。代码示例展示了输入处理、排序及核心算法流程。

如果现在能得到[1,t]范围内的任意值。若新来了一个数x,x<=t+1,则可以得到新的范围[1,t+x]。

利用这个性质,O(T*(N+M))时间处理下就行了。

(膜zhenhao大佬)

#include <bits/stdc++.h>
using namespace std;

void read(int&a){
    char ch;while(!((ch=getchar())>='0')&&(ch<='9'));
    a=ch-'0';while(((ch=getchar())>='0')&&(ch<='9'))a*=10,a+=ch-'0';
}

inline void prin_d(long long x)
{
    if (x > 9)
    {
        prin_d(x / 10);
    }
    putchar(x % 10 + '0');
    return ;
}

const int MAXN=1010;
int a[MAXN][MAXN],stk[MAXN];

int main()
{
	int n,i,j,x,y,xi,yi,T,k,stksum;
	long long ans;
	while(~scanf("%d",&n))
	{
		for(i=1;i<=n;i++)
		{
			read(a[i][0]);
			for(j=1;j<=a[i][0];j++)
				read(a[i][j]);
			sort(a[i]+1,a[i]+a[i][0]+1);
		}
		read(T);
		while(T--)
		{
			read(x);read(y);read(k);
			ans=0;
			xi=yi=1;
			while(xi<=a[x][0]&&a[x][xi]<=ans+1)
			{
				ans+=a[x][xi];
				xi++;
			}
			stksum=0;
			for(i=0;i<min(k,a[y][0]);i++)
			{
				while(yi<=a[y][0]&&a[y][yi]<=ans+1)
				{
					stk[stksum++]=a[y][yi];
					yi++;
				}
				if(stksum)
				{
					ans+=stk[stksum-1];
					stksum--;
				}
				else
					break;
				while(xi<=a[x][0]&&a[x][xi]<=ans+1)
				{
					ans+=a[x][xi];
					xi++;
				}
			}
			prin_d(ans);
			puts("");
		}
	}
} 




训练数据保存为deep_convnet_params.pkl,UI使用wxPython编写。卷积神经网络(CNN)是一种专门针对图像、视频等结构化数据设计的深度学习模型,在计算机视觉、语音识别、自然语言处理等多个领域有广泛应用。其核心设计理念源于对生物视觉系统的模拟,主要特点包括局部感知、权重共享、多层级抽象以及空间不变性。 **1. 局部感知与卷积操作** 卷积层是CNN的基本构建块,使用一组可学习的滤波器对输入图像进行扫描。每个滤波器在图像上滑动,以局部区域内的像素值与滤波器权重进行逐元素乘法后求和,生成输出值。这一过程能够捕获图像中的边缘、纹理等局部特征。 **2. 权重共享** 同一滤波器在整个输入图像上保持相同的权重。这显著减少了模型参数数量,增强了泛化能力,并体现了对图像平移不变性的内在假设。 **3. 池化操作** 池化层通常紧随卷积层之后,用于降低数据维度并引入空间不变性。常见方法有最大池化和平均池化,它们可以减少模型对微小位置变化的敏感度,同时保留重要特征。 **4. 多层级抽象** CNN通常包含多个卷积和池化层堆叠在一起。随着网络深度增加,每一层逐渐提取更复杂、更抽象的特征,从底层识别边缘、角点,到高层识别整个对象或场景,使得CNN能够从原始像素数据中自动学习到丰富的表示。 **5. 激活函数与正则化** CNN中使用非线性激活函数来引入非线性表达能力。为防止过拟合,常采用正则化技术,如L2正则化和Dropout,以增强模型的泛化性能。 **6. 应用场景** CNN在诸多领域展现出强大应用价值,包括图像分类、目标检测、语义分割、人脸识别、图像生成、医学影像分析以及自然语言处理等任务。 **7. 发展与演变** CNN的概念起源于20世纪80年代,其影响力在硬件加速和大规模数据集出现后真正显现。经典模型如LeNet-5用于手写数字识别,而AlexNet、VGG、GoogLeNet、ResNet等现代架构推动了CNN技术的快速发展。如今,CNN已成为深度学习图像处理领域的基石,并持续创新。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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