HRBU_20211119训练

2023-11-06 16:10
文章标签 训练 hrbu 20211119

本文主要是介绍HRBU_20211119训练,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

HRBU_20211119训练

E - Justifying the Conjecture

题意

判断一个数是否有一个素数和一个合数组成

思路

当n<=5时,不符合要求,当n>5时,当n是奇数时,是3和n-3,当n是偶数时,是 n-2.

代码

#include<stdio.h>
#include<iostream>
using namespace std;
int main()
{int t;cin>>t;while(t--){int n;cin>>n;if(n<=5)puts("-1");else{if(n&1)cout<<"3 "<<n-3<<endl;elsecout<<"2 "<<n-2<<endl;}}
}

F - Keeping Rabbits

题意

已知有n只兔子,一段时间后兔子后长肉,是按照一开始的体重的权重来求后来的兔子的权重

思路

遍历每只兔子加上相应权重的体重求得答案。

AC代码

#include<stdio.h>
#include<iostream>
using namespace std;
double a[2000010];
int main()
{int t;scanf("%d",&t);while(t--){int n,k;double sum=0;scanf("%d %d",&n,&k);for(int i=1;i<=n;i++){scanf("%lf",&a[i]);sum+=a[i];}double temp=(double) k/sum;for(int i=1;i<=n;i++){double ans=a[i]+a[i]*temp;printf("%.6lf ",ans);}puts("");}
}

B - Fixing Banners

题意

从六个字符串各取出一个字母,判断是否能组成’‘harbin’’,若能输出YES,否则输出NO

思路

在数组中记录每个字母的大小,利用全排列

代码

#include<stdio.h>
#include<iostream>
#include<string.h>
#include<algorithm>
using namespace std;
bool num[10][28];
int a[10];
string c="0harbin";
char str[2000010];
void solve()
{for(int i=1;i<=6;i++){a[i]=i;for(int j=1;j<=28;j++){// scanf("%s",&str);num[i][j]=false;}}for(int i=1;i<=6;i++){scanf("%s",str+1);int len=strlen(str+1);for(int j=1;j<=len;j++){num[i][str[j]-'a'+1]=true;}}do{bool flag=true;for(int i=1;i<=6;i++){if(num[a[i]][c[i]-'a'+1]==false){flag=false;break;}}if(flag){puts("Yes");return ;}}while(next_permutation(a+1,a+7));puts("No");}
int main()
{int t;scanf("%d",&t);while(t--){solve();}}

D - Interesting Permutation

题意

在这里插入图片描述
给定h,问有多少组合法的数组

思路

首先数组的开始是0,第二,数组的最后一个的数n-1,第三数组是递增数列,当h[i]>h[i-1]时,ans=ans2%mod,否则ans=anscnt%mod

代码

#include<bits/stdc++.h> using namespace std;
typedef long long ll;
const int mod=1e9+7;
int h[100010];
void solve(){int n;scanf("%d",&n);for(int i=1;i<=n;i++){scanf("%d",&h[i]);}if(n==1){if(h[1]==0){puts("1");}else{puts("0");}return;}if(h[1]!=0||h[n]!=n-1){puts("0");return;}if(h[2]==0){puts("0");return;}for(int i=2;i<=n;i++){if(h[i]<h[i-1]){puts("0");return;}}ll ans=1;ll cnt=0;for(int i=2;i<=n;i++){if(h[i]>h[i-1]){ans=ans*2%mod;cnt+=(h[i]-h[i-1]-1);}else{ans=ans*cnt%mod;cnt--;}}printf("%lld\n",(ans+mod)%mod);
}int main(){int t;scanf("%d",&t);while(t--){solve();}return 0;
}

总结

加油,一切可期

这篇关于HRBU_20211119训练的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/357658

相关文章

MiniGPT-3D, 首个高效的3D点云大语言模型,仅需一张RTX3090显卡,训练一天时间,已开源

项目主页:https://tangyuan96.github.io/minigpt_3d_project_page/ 代码:https://github.com/TangYuan96/MiniGPT-3D 论文:https://arxiv.org/pdf/2405.01413 MiniGPT-3D在多个任务上取得了SoTA,被ACM MM2024接收,只拥有47.8M的可训练参数,在一张RTX

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering)

Spark MLlib模型训练—聚类算法 PIC(Power Iteration Clustering) Power Iteration Clustering (PIC) 是一种基于图的聚类算法,用于在大规模数据集上进行高效的社区检测。PIC 算法的核心思想是通过迭代图的幂运算来发现数据中的潜在簇。该算法适用于处理大规模图数据,特别是在社交网络分析、推荐系统和生物信息学等领域具有广泛应用。Spa

SigLIP——采用sigmoid损失的图文预训练方式

SigLIP——采用sigmoid损失的图文预训练方式 FesianXu 20240825 at Wechat Search Team 前言 CLIP中的infoNCE损失是一种对比性损失,在SigLIP这个工作中,作者提出采用非对比性的sigmoid损失,能够更高效地进行图文预训练,本文进行介绍。如有谬误请见谅并联系指出,本文遵守CC 4.0 BY-SA版权协议,转载请联系作者并注

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录

Detectorn2预训练模型复现:数据准备、训练命令、日志分析与输出目录 在深度学习项目中,目标检测是一项重要的任务。本文将详细介绍如何使用Detectron2进行目标检测模型的复现训练,涵盖训练数据准备、训练命令、训练日志分析、训练指标以及训练输出目录的各个文件及其作用。特别地,我们将演示在训练过程中出现中断后,如何使用 resume 功能继续训练,并将我们复现的模型与Model Zoo中的

多云架构下大模型训练的存储稳定性探索

一、多云架构与大模型训练的融合 (一)多云架构的优势与挑战 多云架构为大模型训练带来了诸多优势。首先,资源灵活性显著提高,不同的云平台可以提供不同类型的计算资源和存储服务,满足大模型训练在不同阶段的需求。例如,某些云平台可能在 GPU 计算资源上具有优势,而另一些则在存储成本或性能上表现出色,企业可以根据实际情况进行选择和组合。其次,扩展性得以增强,当大模型的规模不断扩大时,单一云平

神经网络训练不起来怎么办(零)| General Guidance

摘要:模型性能不理想时,如何判断 Model Bias, Optimization, Overfitting 等问题,并以此着手优化模型。在这个分析过程中,我们可以对Function Set,模型弹性有直观的理解。关键词:模型性能,Model Bias, Optimization, Overfitting。 零,领域背景 如果我们的模型表现较差,那么我们往往需要根据 Training l

如何创建训练数据集

在 HuggingFace 上创建数据集非常方便,创建完成之后,通过 API 可以方便的下载并使用数据集,在 Google Colab 上进行模型调优,下载数据集速度非常快,本文通过 Dataset 库创建一个简单的训练数据集。 首先安装数据集依赖 HuggingFace datasetshuggingface_hub 创建数据集 替换为自己的 HuggingFace API key

【YOLO 系列】基于YOLOV8的智能花卉分类检测系统【python源码+Pyqt5界面+数据集+训练代码】

前言: 花朵作为自然界中的重要组成部分,不仅在生态学上具有重要意义,也在园艺、农业以及艺术领域中占有一席之地。随着图像识别技术的发展,自动化的花朵分类对于植物研究、生物多样性保护以及园艺爱好者来说变得越发重要。为了提高花朵分类的效率和准确性,我们启动了基于YOLO V8的花朵分类智能识别系统项目。该项目利用深度学习技术,通过分析花朵图像,自动识别并分类不同种类的花朵,为用户提供一个高效的花朵识别

深度学习与大模型第3课:线性回归模型的构建与训练

文章目录 使用Python实现线性回归:从基础到scikit-learn1. 环境准备2. 数据准备和可视化3. 使用numpy实现线性回归4. 使用模型进行预测5. 可视化预测结果6. 使用scikit-learn实现线性回归7. 梯度下降法8. 随机梯度下降和小批量梯度下降9. 比较不同的梯度下降方法总结 使用Python实现线性回归:从基础到scikit-learn 线性

使用openpose caffe源码框架训练车辆模型常见错误及解决办法

错误1:what():  Error: mSources.size() != mProbabilities.size() at 51, OPDataLayer, src/caffe/openpose/layers/oPDataLayer.cpp 原因:这是因为在网络模型中数据源sources和probabilities设置的参数个数不一样导致的,一个数据源对应一个概率 解决方法:只需要将网络文