动规训练2

2024-04-04 13:20
文章标签 训练 动规

本文主要是介绍动规训练2,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!

一、最小路径和

1、题目解析

就是一个人从左上往做下走,每次只能往右或者往下,求他到终点时,路径上数字和最小,返回最小值

2、算法原理

a状态表示方程

小技巧:经验+题目要求

用一个二维数组表示,创建一个二维数组

dp[i][j]  表示当前从起点到当前节点的最小值

b状态转移方程

一个小技巧:找到最近的一步,划分问题

能到达dp[i][j]的只有一条路径,上或者左边,选择一个两者较小的值。因为dp[i-1][j]或者dp[i][j-1]也是表示他那个节点对路径最小值——问题进入闭环

dp[i][j]=min(dp[i-1][j],dp[i][j-1])+grid[i][j]

c初始化

以下面这张图为例,为了避免越界访问我们本来应该在1,1的位置开始遍历的。给第一行和第一列进行初始化。

为了简化这个过程,我们给它多创建一行多创建一列,再给里面赋上合适的值这样避免了越界访问,也避免了初始化繁琐的操作,我们可以直接进行填表。

既然要选取较小值,那我们就直接弄上最大值INT_MAX,然后在0,1和1,0的位置附上0就行了,这样dp[1][1]就能保证刚好就是grid[0][0],这样从1开始的每一列都是获取上面的路径和,每一行都是获取左边的路径和,这样就是合理的赋值。

这其实就是运用了虚拟节点来进行初始化,简化初始化的行为。

这种方法需要注意两点:

  1. 进行合理赋值,保证后面填表的值是正确的
  2. 注意取值的下标映射

因为我们的dp表是多了一行多了一列,我们需要i-1,j-1才能取到正确的值

d填表顺序

从左到右,从上到下

e返回值

dp[m][n]

3、代码

class Solution {
public:int minPathSum(vector<vector<int>>& grid) {//建dp表//初始化//填表//返回值int m=grid.size();int n=grid[0].size();vector<vector<int>> dp(m+1,vector<int>(n+1,INT_MAX));dp[0][1]=0;dp[1][0]=0;for(int i=1;i<=m;i++){for(int j=1;j<=n;j++){dp[i][j]=min(dp[i-1][j],dp[i][j-1])+grid[i-1][j-1];}}return dp[m][n];}
};

二、地下城游戏

1、题目解析

 这道题相较于第一题多了负数,但是还是有可以一样的处理——进行相加,并且还多了一个限制条件,骑士的值不能为零。也是只能向下和向右走。不过这道题需要返回骑士需要救到公主所需最低的健康值。

2、算法原理

a状态表示方程

经验+题目要求

有两种解题方式:

1、以某个位置为结尾。。。。。

假设dp[i][j]表示从期待您出发到达i,j位置数所需的最低健康点数

这个思路其实是错误的,因为你不仅需要进入这个房间,还要静茹下一个房间,这就导致了你不能简单的通过这个房间的前一步进行判断,还需要考虑后续房间的影响。————有后效性

2、以某个位置为起点。。。。。

dp[i][j]表示从这李出发到达终点所需最低初始健康。

b状态转移方程

根据最近的一步,划分问题

假设进入d[i][j]这个房间所需最小生命值为x

其实想要右边房间的话就需要:x+d[i][j]>=dp[i][j+1]

x>=dp[i][j+1]-d[i][j]

还有一种特殊情况需要我们考虑如果房间里面是一个较大血包的话,dp[i][j+1]-d[i][j]是有可能小于0的————这表示你就算是负多少多少都能够走到终点,但这是不合理的,负数骑士都死掉了。

所以

c初始化

虚拟节点(处理边界问题的好方法)

这道题需要考虑边界问题是最后一行和最后一列。

需要注意的两点:

1、设置合适的值,保证填表时值的正确性

走出迷宫最少得剩下一滴血

2、注意下标映射

因为是添加在最后一行和最后一列,不需要考虑下标问题

d填表顺序

从下往上,从右往左

e返回值

dp[0][0]

3、代码

class Solution {
public:int calculateMinimumHP(vector<vector<int>>& dungeon) {//建表//初始化//填表//返回值int m=dungeon.size(),n=dungeon[0].size();vector<vector<int>> dp(m+1,vector<int> (n+1,INT_MAX));dp[m][n-1]=1;dp[m-1][n]=1;for(int i=m-1;i>=0;i--){for(int j=n-1;j>=0;j--){int t=min(dp[i+1][j],dp[i][j+1])-dungeon[i][j];dp[i][j]=max(1,t);}}return dp[0][0];}
};

这篇关于动规训练2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/875891

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