猎人杀 #include<iostream> #include<cstring> using namespace std; typedef long long ll; inline ll read(){ ll x=0;char ch;bool f=true; for(ch=getchar();!isdigit(ch);ch=getchar())if(ch=='-')f^=f; for(;isdigit(ch);ch=getchar())x=(x<<3)+(x<<1)+(ch^48); return x; } in...

补最小生成树的板子，把星球联通做了。又发现了一个求期望的题目，做了一下。 星球联通 #include<bits/stdc++.h> using namespace std; typedef long long ll; int main( ) { //最小生成树 int n, k; cin >> n >> k; long c[n-k]; for(int i = 0; i < n-k; i++) cin >> c[i]; long p[n][3]; for(int i = 0; i < n; i++) cin &g...

这段时间补了一些ACM的数论知识，用板子做了一些题目，还有很多代码量过大，较复杂的要等以后慢慢补了。下个阶段把C++的图论板子补上，就抓紧刷百度之星的题了。 一些知识 裴蜀定理： 扩展欧几里得算法:多个数加和取模 排序不等式： 两个互质的数不能凑出来的最大的数： 两个互质的数所不能表达的最大数是 a * b - a - b 不能表示的数有 \frac{(a-1)(b-1)}{2} 逆元求除法的模： (\frac{a}{b}) mod{\,}m = {(\frac{a}{b}) mod{\,}m} * {(bk{\,}mod{\,}m)} = {(ak{\,}mod{\,}m)...

目标上瓜

昨天打的很烂，A了两个题目的一半，发现了很多以前完全没写过的代码，甚至有一些未了解过的ACM的算法 糖果促销 一直思考这么从小的数量开始买，想到了二分检查答案的方法。正解类似于一种可退货的思想，当时最后手上要有一个糖纸。故k-(k-1)/p。（退货(k-1)/p） 注意：ACM赛制，一定不要多输出了，当上面输出了结果，记得continue或return import java.util.Scanner; import java.util.*; class Main { public static void main(String[] args) { Scanner...

补题 星际迷航 多个点汇聚一点的结论，汇聚到中位数（不分奇偶）。 汇聚到一起的结论：每个数-i,然后汇聚到中位数。 import java.util.Scanner; import java.util.*; class Main { public static void main(String[] args) { Scanner input = new Scanner(System.in); //固定两个点，移动另外一个点 int n = input.nextInt(); long[][] nums = new long[n][3]; for(i...

打回k了 目前的突破点还是在T4，其次是解题速度。

1，模型保存和读取： # 如果要保存最好的参数，使用: best_model_state = deepcopy(model.state_dict()) model_save_path = os.path.join('', 'model.pt') torch.save(model.state_dict(), model_save_path) # 模型参数读取 model = LeNet5() model_save_path = os.path.join(model_save_dir, 'model.pt') if os.path.exists(model_save_path): loa...

1，构造一个复杂的卷积神经网络： import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader import torch.nn.functional as F import torch.optim as optim device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") batch_size = 64 transform =...

1，使用卷积神经网络解决MNIST import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader import torch.nn.functional as F import torch.optim as optim device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") batch_size = 64 transform ...

1, kaggle挑战，解决多分类 import numpy as np import pandas as pd from torch.utils.data import Dataset, DataLoader import torch import torch.optim as optim import matplotlib.pyplot as plt device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu") # 函数将字符型标签转换为数值标签,方便计算交叉熵 def lables2id(lables)...

1，处理多分类问题： # 10月27 import torch # criterion = torch.nn.CrossEntropyLoss() # Y = torch.LongTensor([2,0,1]) # Y_pred1 = torch.Tensor([ # [0.1,0.2,0.9], # [1.1,0.1,0.2], # [0.2,2.1,0.1] # ]) # Y_pred2 = torch.Tensor([ # [0.8,0.2,0.3], # [0.2,0.3,0.5], # [0.2,0.2,0.5] # ]) # l1...

1，代码如下： # titanic Solution # 1,prepare data import imp import pandas as pd import numpy as np import matplotlib.pyplot as plt from scipy.fft import rfft import seaborn as sns from IPython.display import Image from sklearn.metrics import confusion_matrix from sklearn.model_selection import cross_val...

1，代码： # 10月16日 import torch import numpy as np from torch.utils.data import Dataset from torch.utils.data import DataLoader class DiabetesDataset(Dataset): def __init__(self,filepath): xy = np.loadtxt(filepath, delimiter=',',dtype=np.float32) self.len = xy.shape[0] self....