20180523 -周中训练1

2023-12-28 06:59
文章标签 训练 周中 20180523

本文主要是介绍20180523 -周中训练1,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!

A.Odd Palindrome

题意:

一组字符串,倘若每个回文串均是偶数,则输出“Or not.",否则输出“Odd.‘’

思路:

暴力枚举即可。

代码:

#include <bits/stdc++.h>
using namespace std;
char s[105];
int main()
{bool flag;cin>>s;int len =strlen(s);for(int i=1;i<=len-1;i++){for(int j=0;j<=i;j++){flag=1;for(int k=0;k<=(i-j)/2;k++){if(s[i-k]!=s[j+k]){flag=0;break;}}if(flag==1){int leng = i-j+1;if(leng%2==0){cout<<"Or not."<<endl;return 0;}}}}cout<<"Odd."<<endl;return 0;
}

B.Latin Squares

题意:

有一个n*n的方阵,其中A-Z代表10到35,如果这个方阵中的每一行每一列元素均不相同,则称为Latin Squares,若不是,则输出“No”,若是,然后看第一行第一列是否是递增的序列,若是则输出“Reduced”否则输出“Not Reduced”。

思路:

将字符全部转换为数字,暴力枚举即可。

代码:

#include <bits/stdc++.h>
using namespace std;
char s[41][41];
int num[41][41];
int vis[50];
int n;
int main()
{while(cin>>n)  //注意是多组输入{int flag=0;memset(vis,0,sizeof(vis));for(int i=0;i<n;i++){for(int j=0;j<n;j++){cin>>s[i][j];if(s[i][j]<='9'&&s[i][j]>='0'){num[i][j]=s[i][j]-'0';}else{num[i][j]=s[i][j]-'A'+10;}}}for(int i=0;i<n;i++) ///hang{memset(vis,0,sizeof(vis));for(int j=0;j<n;j++)  ///lie{if(vis[num[i][j]]==0){vis[num[i][j]]++;}else{flag=1;break;}}}if(flag==1){cout<<"No"<<endl;continue;}for(int i=0;i<n;i++) ///lie{memset(vis,0,sizeof(vis));for(int j=0;j<n;j++)  ///hang{if(vis[num[j][i]]==0){vis[num[j][i]]++;}else{flag=1;break;}}}if(flag==1){cout<<"No"<<endl;continue;}for(int i=1;i<n;i++)   ///diyihang{if(num[0][i-1]>=num[0][i]){flag=2;break;}}if(flag==2){cout<<"Not Reduced"<<endl;continue;}for(int i=1;i<n;i++)   ///diyilie{if(num[i-1][0]>=num[i][0]){flag=2;break;}}if(flag==2){cout<<"Not Reduced"<<endl;continue;}if(flag==0)cout<<"Reduced"<<endl;}return 0;
}

C.

题意:

给定n,从1开始,让1与2、3、4、。。。n进行比较,此时输出的结果是1,然后在让2与3、4、5...n进行比较,此时输出2,注意每两个数字只能比较一次,问总共比较一半次数时,输出那个数字?

代码:

#include<bits/stdc++.h>
#define ll long long
using namespace std;int main()
{ll n,sum,i,j,res;cin>>n;sum=(n-1)*n/2;//总共比较次数sum=(sum+1)/2; //总共比较次数的一半,注意这种情况for(i=n-1,j=1;j<n;j++,i--){res+=i;if(res>=sum) //大于一半时{cout<<j<<endl;break;}}return 0;
}

I.Forbidden Zero

题意:

给你一个不包含数字0得数,问你下一个不包含0的数字是多少?

思路:

0用1替换即可

代码:

#include <bits/stdc++.h>
using namespace std;
char s[10];
int b[10];int solve(int x)
{int cnt=0;while(x){b[cnt++]=x%10;x/=10;}for(int i=0;i<cnt;i++){if(b[i]==0){s[i]='1';}else s[i]=b[i]+'0';}return cnt;
}int main()
{int n;scanf("%d",&n);n++;int l=solve(n);for(int i=l-1;i>=0;i--){printf("%c",s[i]);}printf("\n");return 0;
}

  • 什么

这篇关于20180523 -周中训练1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/545280

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