2020.12.19【NOIP提高B组】模拟 总结

2020.02.22【NOIP提高组】模拟B 组反思总结 这次比赛得了120分,第5名,不过一堆人第五名。 T1 奖励卡 赛时 比赛得时候看着这题愣是没看懂,也分析不出来样例是怎么来的, 所以瞎打了一个dfs,错了,以后一定要加强阅读能力和增加数学知识。 赛后 听了正解后,又询问了一下别人,得出了结果:dp; 设 f1i,jf1_{i,j}f1i,j​ 表示有 iii 个人和 jjj 个人已被选中,并且小X选I卡,所得到的被抽中的可能性。 f2i,jf2... 阅读详情

前言

这是一个正规总结,四道题都有详细题解。
先记录一下成长历程,额…比较短:

  1. 2020 CSP-J 一等奖
  2. 2020 CSP-S 一等奖
  3. 2020 NOIP 二等奖资格(主要是初中没有评奖资格)

好了没了,一连串的比赛结束,又要开始日常的训(bi)练(sai)生活。

总结

这次比赛去纪中,刚刚看完题目,我就被XC摸头,额…是被叫去给五年级新生监考的,于是我没有比赛。

T1

Description

在这里插入图片描述

题解

水题,左括号配对右括号,栈模拟

代码

#include<bits/stdc++.h>
#define rg register
#define Fu(i,a,b) for(rg int i=(a);i<=(b);i++)
#define Fd(i,a,b) for(rg int i=(a);i>=(b);i--)
#define fre(x) freopen(#x".in","r",stdin),freopen(#x".out","w",stdout)
using namespace std;
char a[32005];
int t[32005],bt,bf,js;
int size,num,n;
int main(){
	fre(form);
	while(scanf("%s",a)==1){
		size=0,num++,n=0,js=0;
		while(a[n]=='T'||a[n]=='F'||a[n]=='('||a[n]==')'){
			if(a[n]==')'){
				bt=bf=0;
				while(size>0&&t[size]>=0){
					if(t[size]==1) bt=1;
					else bf=1;
					size--;
				}
				if(t[size]==-1){
					if(bf==1)t[size]=0;
					else t[size]=1;
				}
				else{
					if(bt==1) t[size]=1;
					else t[size]=0;
				}
				js--;
			}
			else{
				if(a[n]=='('){
					js=js+1;
					if(js%2==1){
						t[++size]=-1;
					}
					else t[++size]=-2;
				}
				else if(a[n]=='T')t[++size]=1;
				else if(a[n]=='F')t[++size]=0;
			}
			n++;
		}
		if(t[size]==1) printf("%d. true\n",num);
		else printf("%d. false\n",num);
	}
	return 0;
}

T2

Description

在这里插入图片描述

题解

好像是并查集,还没改出来。

T3

Description

小Z是一个爱好数学的小学生。最近,他在研究一些关于整数数列的性质。
为了方便他的研究,小Z希望实现一个叫做“Open Continuous Lines Processor”的数列编辑器。
一开始,数列编辑器里没有数字,只有一个光标。这个数列编辑器需要支持五种操作。
• I x 在当前光标前插入数字 x。
• D 删除当前光标前的数字。
• L 光标向前移动一个数字。
• R 光标向后移动一个数字。
• Q k 设光标之前的数列是{a1,a2,……,an},输出第k位及之前最大的前缀和,保证k≤n

题解

随意,两个栈模拟就好

代码

#include<bits/stdc++.h>
#define rg register
#define Fu(i,a,b) for(rg int i=(a);i<=(b);i++)
#define Fd(i,a,b) for(rg int i=(a);i>=(b);i--)
#define fre(x) freopen(#x".in","r",stdin),freopen(#x".out","w",stdout)
using namespace std;
int n,l[1000005],r[1000005];
int qzh[1000005],maxn[1000005];
int main(){
	fre(editor);
	scanf("%d",&n);
	Fu(i,0,n)maxn[i]=-0x7fffffff;
	Fu(i,1,n){
		char f=' ',a;
		while(f!='I'&&f!='D'&&f!='L'&&f!='R'&&f!='Q') f=getchar();
		if(f=='I'){
			int x;
			scanf("%d",&x);
			l[++l[0]]=x;
			qzh[l[0]]=qzh[l[0]-1]+x;
			maxn[l[0]]=max(maxn[l[0]-1],qzh[l[0]]);
		}
		else if(f=='D'){
			qzh[l[0]]=maxn[l[0]]=0;
			l[0]--;
		}
		else if(f=='L'){
			if(l[0]>0){
				qzh[l[0]]=maxn[l[0]]=0;
				r[++r[0]]=l[l[0]],l[0]--;
			}
		}
		else if(f=='R'){
			if(r[0]>0){
				l[++l[0]]=r[r[0]],r[0]--;
				qzh[l[0]]=qzh[l[0]-1]+r[r[0]+1];
				maxn[l[0]]=max(maxn[l[0]-1],qzh[l[0]]);
			}
		}
		else if(f=='Q'){
			int k;
			scanf("%d",&k);
			printf("%d\n",maxn[k]);
		}
	}
	return 0;
}

T4

Description

「寻找希望…为了找出希望…

那才是真正的希望…

只要拥有这样的希望,

不管陷入怎样的困境,我们都能继续前行…」

“这是 发生在互相残杀的学园生活之前的故事 。也或许根本就是某个平行世界的故事。

“黑幕站在大门口,静静地审视着希望之峰学园 。旁边站着的是一只 长得像玩偶的熊, 身体一半是黑色一半是白。 不知道是否对接下来将要引起的绝望而感到兴奋,黑幕的嘴角不易察觉地微微上扬。 而身旁 的黑白熊则 ‘唔噗噗噗 ’地意味不明地笑着。

“为了 计划的顺利实施,黑幕需要在学园内装上能监视到所有地方的摄像头。 学园 里一共 有n个房间,有一些房间通过走廊相连。出于特殊的原因,学园只修建了保证所有房间都能互相到达的前提下的最少的走廊。一个房间里的摄像头可以监视到这个房间以及这个房间直接通过走廊相连的所有房间。

“配置摄像头也不是一件简单的事情,所以黑幕决定安装尽量少摄像头。 同时黑幕也想到了一个超高校级的问题: 在安装最少的摄像头前提下,一共有多少种安装的方案? 两个方案不同当且仅存在一个房间在种方案中安装了摄像头,而在另一种方案中没有安装。

“答案 我已经计算出来了哦,你能吗? ”Alter Ego对着屏幕前的人,微笑着说道。

Input
输入 第一行含有一个整数n,代表学园里房间的数量。

接下来n−1行,每行描述一条走廊。每行含有 两个数,代表这条走廊连接的两个房间。

Output
输出 一共两行 。

第一行输出 一个整数,代表需要安装的最少摄像头的数目。

第二行输出一个整数,代表安装的方案数。由于答案可能很大,故输出答案对1,000,000,007取模的结果。

Sample Input
7

2 1

3 1

题解

T4:轮舞前夕
40(树形DP)+12(暴力)=52(有手就行)

代码

#include<bits/stdc++.h>
#define rg register
#define Fu(i,a,b) for(rg int i=(a);i<=(b);i++)
#define Fd(i,a,b) for(rg int i=(a);i>=(b);i--)
#define fre(x) freopen(#x".in","r",stdin),freopen(#x".out","w",stdout)
using namespace std;
int f[100005][3],n;
vector <int>a[100005];
void dp(int o,int from){
	f[o][0]=0x7fffffff,f[o][1]=1,f[o][2]=0;int bj=0;
	Fu(i,0,a[o].size()-1){
		if(a[o][i]!=from){
			dp(a[o][i],o);
			f[o][1]+=min(f[a[o][i]][0],min(f[a[o][i]][1],f[a[o][i]][2]));
			f[o][2]+=min(f[a[o][i]][0],f[a[o][i]][1]);
			if(f[a[o][i]][1]<=f[a[o][i]][0]) bj=1;
		}
	}
	if(bj==1) f[o][0]=f[o][2];
	else{
		Fu(i,0,a[o].size()-1){
			if(a[o][i]!=from){
				f[o][0]=min(f[o][0],f[o][2]+f[a[o][i]][1]-f[a[o][i]][0]);
			}
		}
	}
}
int main(){
	scanf("%d",&n);
	Fu(i,2,n){
		int u,v;
		scanf("%d%d",&u,&v);
		a[u].push_back(v);
		a[v].push_back(u); 
	}
	dp(1,0);
	printf("%d\n0",min(f[1][0],f[1][1]));
	return 0;
}
2021.08.17【NOIP提高B组】模拟总结 2021.08.17【NOIP提高B组】模拟 T1:Sum of Distance T2:Uddered but not Her T3:Telephone T4:Dance Mooves Solution 写在前面:感觉自己做难题的能力还是不够,今天的题目还是挺难的,两道蓝题,两道紫题。 (为什么又是T1、T4>T2>T3,(逃…… T3打挂以至于排名很后(泪…… T1:奇偶最短路+容斥加上一些乱搞,未改。 T2:前置知识STLSTLSTL库中的离散三件套: stable_sort、unique 阅读详情

相关推荐

鸿蒙日历组件进阶:教你打造个性化日程管理界面(支持月份切换)

本文深入探讨了鸿蒙应用开发中自定义日历组件的构建方法。通过详解基于Grid的布局设计、核心日期算法、月份切换逻辑以及事件管理集成,指导开发者打造支持个性化日程管理的高性能日历界面,提升应用交互体验。

weixin_29207149的博客 66

2020.12.01【NOIP提高B组】模拟 总结

2020.12.01【NOIP提高B组】模拟 总结 1.瑰丽华尔兹 打了50分dpdpdp,感觉样例的图给错了(222不是向下吗?),答案是对的。 然后怕空间挂,有滚动了一下。 正解可能就是一段一段考虑,我反正不会。 正解: 果然如此。 设 fi,j,k f_{i,j,k} fi,j,k​ 表示第iii段在(j,k)(j,k)(j,k)位置的最大格子数。 然后暴力转移,可以卡过(不要滚动数组)。 如果数据加强要单调队列优化。 2.Heatwave 暴力spfaspfaspfa。对于每个点都做一遍。 正解可能

linweitong2020的博客 185

安卓逆向实战:用Batch Apktool 3.8.0快速汉化APK的完整流程

本文详细解析了如何使用Batch Apktool 3.8.0进行安卓APK汉化的完整流程,包括环境配置、反编译、资源解析、深度汉化、重构建与签名优化等关键步骤。通过这款集成化逆向工具,开发者可以高效完成APK汉化,提升工作效率。

s1t2u3的博客 1099

2020.12.02【NOIP提高B组】模拟 总结

2020.12.02【NOIP提高B组】模拟 总结 今天打到11点55分才交程序。 1.密码(substring) 用了三种方法。 (1)暴力O(n3)O(n^3)O(n3)。 (2)用数学直接加一个和就O(n2)O(n^2)O(n2)。 (3)设fi,jf_{i,j}fi,j​表示iii后面字符jjj的位置,转移,然后跳一下,时间O(nm)O(nm)O(nm)。 应该可以过。 后面对拍发现傻逼错误,花了30分钟。 正解: 如上。 用类似dpdpdp法。 每次都跳一下。 每次都只会经过mmm个点,所以单次为

linweitong2020的博客 206

如何利用Arcgis进行地统计学分析(三):空间插值方法选择与优化

本文深入探讨了在Arcgis中进行地统计学分析时,如何根据探索性数据分析(EDA)结果科学选择与优化空间插值方法。文章对比了IDW、RBF、克里金等主流方法的适用场景与核心参数,并通过实战案例详解了从数据诊断到模型调优的完整流程,强调结合半变异函数与趋势分析进行“对症下药”,以提升插值结果的精度与可靠性。

weixin_29281915的博客 120

Basilisk库教程

要在仿真中执行模块,其调度由Basilisk的[Process]和[Task]容器控制。BSK[Task]包含一系列模块,这些模块都以相同的更新频率执行。一个[Process]本质上是一个任务组,可以包含多个相关的任务。例如,在多星仿真中,你可以为每颗卫星创建一个[Process],以便将相关任务和嵌入式模块有序地组织起来。下图展示了一个示例布局,其中bskSat卫星的动力学被添加到与飞行软件(FSW)算法分开的进程中,这些算法在该卫星上执行。在每个进程中,设置了若干任务,这些任务以指定的频率进行评估。

weixin_57997461的博客 1137

2020.11.28【NOIP提高B组】模拟 总结

2020.11.28【NOIP提高B组】模拟 总结 T1【2020.11.28提高组模拟】树(tree) 不会做。 竟然考构造题,一看就是结论。 然而不知道subtask这么多有啥用,暴力都不会打。 Update after contest linli来讲的题,奆啊。 kkk可以被表示为 ∏i=1nai! \prod_{i=1}^{n}{a_i!} i=1∏n​ai​! 然后就构造了。 T2【2020.11.28提高组模拟】签到题(signin) 暴力。 正解是啥? 推了一波公式,发现越推越乱,呵呵呵。 U

linweitong2020的博客 264

Mellanox CX7网卡搭配400G光模块实战:从选型到部署的完整指南

本文详细解析了Mellanox CX7网卡与400G光模块的选型策略与部署实践,涵盖硬件对比、兼容性验证及性能调优。重点介绍了OSFP光模块的选择要点和常见问题排查方法,帮助用户构建高性能网络基础设施,适用于AI训练、金融交易等场景。

efc1234567的博客 1291

2020.04.01【NOIP提高组】模拟B【2.Fence Planning】

2020.04.01【NOIP提高组】模拟B【2.Fence Planning】 题目大意: Description Farmer John的NN头奶牛,编号为1…N(2≤N≤105),拥有一种围绕“哞网”,一些仅在组内互相交流却不与其他组进行交流的奶牛小组,组成的复杂的社交网络。每头奶牛位于农场的二维地图上的不同位置(x,y),并且我们知道有M对奶牛(1≤M<105)会相互哞叫。两头相互哞...

NGoairpy的博客 718

电赛经验分享——赛前准备

⏩ 大家好哇!我是小光,想要成为系统架构师的嵌入式爱好者。⏩在之前的电赛中取得了省一的成绩,本文对电赛比赛前需要准备什么做一个经验分享。加入小光嵌入式交流群(qq群号:737327353)免费获取博主所有资料哦!

qq_52608074的博客 7779

使用PostgreSQL构建高可用数据库集群

在现代企业级应用中,数据库的高可用性已成为业务连续性的核心要求。PostgreSQL作为一款功能强大的开源关系型数据库,其高可用架构的设计直接影响着系统的稳定性和可靠性。

九天的专栏 1259

2020.01.19【NOIP提高组】模拟B 组——总结——数字排序

Description 给你两个数列A=(a1,a2,a3,…,an)和B=(b1,b2,b3,…,bm),把ai (1<=i<=n)和bj (1<=j<=m)乘起来,得到一个新的有m*n个数的数列。把这个序列排列成非递减数列,然后请找出排在第k位的数。 Input 输入有多组数据。 每组数据的第一行包含三个整数:n(1<=n<=10000), m(1<=...

jay_zai的博客 484

反光柱定位算法中的移动机器人姿态计算原理-经典三边定位最小二乘法计算定位-直接法计算定位

(二)计算姿态方式是我们已经通过最小二乘得到了小车在地图中的位置或者是雷达在地图中的位置,又因为我们知道雷达与小车的安装坐标,所以可以求解出一其中一个坐标的知量,通过小车在地图中坐标与雷达在地图中坐标可以得到一条向量,通过计算向量在地图中的角度就能得到姿态了。与最小二乘三边测量法相比,新算法在动态调整、优化过程和鲁棒性方面优势明显,尤其适合动态环境下的机器人定位,而最小二乘三边测量法在动态复杂环境中精度相对较低。(一)与(二)的区别主要是在计算姿态上的算法不同。经典三边定位最小二乘法 (法一)

苏凯的博客 1140

2020.11.30【NOIP提高B组】模拟 总结

2020.11.30【NOIP提高B组】模拟 总结 T1 Lucky Transformation 想到了一种玄学做法。 类似数学找循环节。 自己测了19个数据都过了。 然后对拍了很多个,都过了。 估计满分,可能会被卡。 对拍时出现了傻逼错误,调了很久。 正解: 就是这种方法。 找到第一个223223223或233233233且第一个位置是奇数的情况然后记录一下。 设fif_ifi​表示第iii次操作的xxx。 则fff一定是一个单调不下降序列。 这个结论易证。 然后就可以只要将前面的做一次即可。 然后就看

linweitong2020的博客 229

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

2020.04.01【NOIP提高组】模拟B 组【0.Left Out】题解

2020.04.01【NOIP提高组】模拟B 组【0.Left Out】题解 题目大意: Farmer John正在尝试给他的牛群拍照。根据以往的经验,他知道这一工作往往结果不怎么样。这一次,Farmer John购买了一台昂贵的无人机,想要拍一张航拍照。为了使照片尽可能好看,他想让他的奶牛们在拍照时都朝向同一个方向。奶牛们现在在一块有围栏的草地上排列成N×N(2≤N≤1000)的方阵,例如:R...

NGoairpy的博客 674

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

2020.12.03【NOIP提高B组】模拟 总结

2020.12.03【NOIP提高B组】模拟 总结 1.灵知的太阳信仰 这道题目我想到了dpdpdp方法,发现贪心有问题? 设fi,jf_{i,j}fi,j​表示现在j+1j+1j+1到iii是一段的答案。 然后fi,jf_{i,j}fi,j​有效仅当j+1j+1j+1到iii的所有ppp不相同。 可以预处理好hih_ihi​表示fi,jf_{i,j}fi,j​有效jjj的最小值。 然后就找到一个kkk,从fj,kf_{j,k}fj,k​转移到fi,jf_{i,j}fi,j​。 用hih_ihi​优化循环次

linweitong2020的博客 232

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

2020.11.21【NOIP提高B组】模拟 总结

2020.11.21【NOIP提高B组】模拟 总结 强力谴责前两题的样例输入的bug。 第一题不难,可以直接用递推公式 si,j=jsi−1,j+si−1,j−1 s_{i,j}=js_{i-1,j}+s_{i-1,j-1} si,j​=jsi−1,j​+si−1,j−1​ 做。但是不会满分。应该60。 第二题不会,贪心or动态规划。打了一个搜索。 第三题不会。数据结构?异或?trietrietrie? 第四题直接打表。估计是字符串算法? Update after contest: 第一题:拿了80,其实很

linweitong2020的博客 185

2020.11.28【NOIP提高A组】模拟总结

估分:100+100+60+50=310 实际分数:90+75+75+15=255 T1 6902. 【2020.11.28提高组模拟】T1 染色(color) 考虑到质数可以分成两类,2和奇质数。 对于所有的奇质数,我们都可以只用1212...进行染色即可满足条件。 但是有2存在,所以我们必选按照mod 4的方式染色,即123412341234.... 对于n小于8的时候情况有所不同,直接爆搜即可。 考试时最后才发现问题,对于n=10的时候特判了一下却没有return 0。 T2 690.

zsjzliziyang的博客 537

NOIP2017提高组初赛游记 (题解&心得总结)(c++)

先给准备初赛的oier一点福利: NOIP 2009-2016 提高组初赛c++试题及参考答案说说 NOIP2017提高组初赛。 emmmm……现在网上还找不到提高组原题,以后有机会再贴上吧。顺便贴个知乎:如何评价NOIP2017初赛?单选1.C 考后有人说是“历史题”。这个东西其实度娘娘上有写的,但是约莫是我以前看度娘的时候眼瞎了,把“2022”看成“2020”?或者2020取消的是c?。(话

lanshuizhiyun 3487

NOIP2019提高组模拟--购物(题解)

NOIP提高组模拟—购物 强烈谴责 这道题不符合生活常识,优惠卷面额的作用竟然不是扣多少钱的而是扣到多少钱,巨坑!!!关键是样例还能过,mmp; 题解 这道题可以采用贪心的思想,把优惠了的和没优惠的所以合成一个数组在一起算,一起sort一下,然后就要坚持一个商品只能买一次的原则,将每个要选的优惠后的价格标记一波,不选它的原来价格;而且要注意记录优惠了的次数要小于等于优惠卷的张数 #include...

聂泽宇的blog 734

备战2020NOIP之旅

DAY 1 2020.11.25【NOIP提高A组】模拟 我来了,停课来纪中集训,我还是第一次,但第一天没有B组,于是,NOIP提高A组就来了我就这样被暴虐了。 分数106,rank35(但我是2020届的第一,真香) 总结链接 DAY 2 2020.11.26【NOIP提高B组】模拟 终于有B组了,但是,没有A组。于是各位奆佬们再一次把我虐爆。 其实这也让我感受挺深的,我就只有第一题100,其他爆零,导致我排名不堪入目,第二题本来 能50,二分又打挂了。其他的暴力又打挂。 要练练细节和暴力,再NOIP上展

zhy_Learn的博客 428

2020.08.13【NOIP提高组】模拟 总结

2020.08.13【NOIP提高组】模拟 总结 再次AK了呢。(好像某谷上说宜做模拟赛我就能AK? 不过确实比昨天简单了不少。 一下又是十分简略的题解。。。 T1:3566. 阶乘 题目大意:求n的阶乘在base进制下末尾零的个数。(n和base均为10进制数 显然对于base进制,当一个数是base的倍数时末尾会有零。所以转化题意得:求m,使得basem∗k=n!base^{m}*k=n!basem∗k=n!。然后将base分解质因数,然后在n!n!n!里面配对就好了。 考场直接上了Pollard_rh

INnovate2030的博客 390

【NOIP2017提高A组模拟9.12】Arrays and Palindrome

结论题,无话可说

LZX_lzx的博客 214

2018NOIP提高组模拟1

2018NOIP提高组模拟1 ———————————————————————————————20180819 1·Number 题目描述 如果一个数能够表示成两两不同的 3 的幂次的和,就说这个数是好的。 比如 13 是好的,因为 13 = 9 + 3 + 1 。 又比如 90 是好的,因为 90 = 81 + 9 。 现在我们用 a[i] 表示第 i 小的好数。 比如 a[1...

cxr的博客 1029

2020.04.01【NOIP提高组】模拟B组 反思+总结+题解

2020.04.01【NOIP提高组】模拟B组 反思+总结 前言:愚人节比赛?我要不要做?是不是愚人的?这可信吗? 题目网址: 【0.Left Out】 【1.Cow Steepchase II】 【2.Fence Planning】 反思: T1: 91.7, T2: 0, T3: 100。 预计:100+0+100=200 实际:91.7+0+100=191.7 排名:B->3,还行主要...

NGoairpy的博客 380

纪中 2020.07.20【NOIP提高组】模拟 总结反思

纪中 2020.07.20【NOIP提高组】模拟 总结反思 这次比赛整体稍微比前几次简单,但考得一般般。被T4坑了。。。 T1 矩阵的个数 比赛时 由于之前做过很多类似这种统计方案数的题目,再只有3列,很容易想到用DP来做。我在比赛时设fi,a,b,cf_{i,a,b,c}fi,a,b,c​表示当前第iii行,第一列、第二列、第三列已经填的数的和分别为aaa、bbb、ccc,再枚举xxx、yyy表示当前这一行第一列、第二列分别放的数,那么这一行第三列的数可以直接算出来。由于需要6重循环来完成转移,我在比赛时

CJZ的博客 404
上一篇: 三体金句总结
下一篇: 2021.01.14【NOIP提高B组】总结
A_F_O
博客等级 码龄7年 52粉丝 1453原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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