noip2003神經網路
【問題背景】
人工神經網路（artificial neural network）是一種新興的具有自我學習能力的計算系統，在模式識別、函式逼近及貸款風險評估等諸多領域有廣泛的應用。對神經網路的研究一直是當今的熱門方向，蘭蘭同學在自學了一本神經網路的入門書籍後，提出了乙個簡化模型，他希望你能幫助他用程式檢驗這個神經網路模型的實用性。
【問題描述】
在蘭蘭的模型中，神經網路就是一張有向圖，圖中的節點稱為神經元，而且兩個神經
元之間至多有一條邊相連，下圖是乙個神經元的例子：
神經元〔編號為1）
圖中，x1—x3是資訊輸入渠道，y1－y2是資訊輸出渠道，c1表示神經元目前的狀態，
ui是閾值，可視為神經元的乙個內在引數。
神經元按一定的順序排列，構成整個神經網路。在蘭蘭的模型之中，神經網路中的神
經無分為幾層；稱為輸入層、輸出層，和若干個中間層。每層神經元只向下一層的神經元
輸出資訊，只從上一層神經元接受資訊。下圖是乙個簡單的三層神經網路的例子。
蘭蘭規定，ci服從公式：（其中n是網路中所有神經元的數目）
公式中的wji（可能為負值）表示連線j號神經元和 i號神經元的邊的權值。當 ci大於0時，該神經元處於興奮狀態，否則就處於平靜狀態。當神經元處於興奮狀態時，下一秒
它會向其他神經元傳送訊號，訊號的強度為ci。
如此．在輸入層神經元被激發之後，整個網路系統就在資訊傳輸的推動下進行運作。
現在，給定乙個神經網路，及當前輸入層神經元的狀態（ci），要求你的程式運算出最後網
絡輸出層的狀態。
第一行是兩個整數n（1≤n≤200）和p。接下來n行，每行兩個整數，第i＋1行是神經元i最初狀態和其閾值（ui），非輸入層的神經元開始時狀態必然為0。再下面p行，每行由兩個整數i，j及乙個整數wij，表示連線神經元i、j的邊權值為wij。
包含若干行，每行有兩個整數，分別對應乙個神經元的編號，及其最後的狀
態，兩個整數間以空格分隔。僅輸出最後狀態非零的輸出層神經元狀態，並且按照編號由
小到大順序輸出！
若輸出層的神經元最後狀態均為 0，則輸出 null。
考察語文能力和rp水平。因為題目說明講得有錯。
分析出模型來是一道水題。就是拓撲排序，要滿足c值大於0，就可以取出來，然後對子節點的入度減一。
提交了三次
題目沒說清楚，因為起始節點不能減閥值，輸出層c值應大於0才能輸出，還有範圍是500而不是300
改了之後就ac
#include using std::cout;
using std::cin;
long map[502][502];
long rudu[502];
long chudu[502];
long p;long n;
long u[502];
long c[502];
long stack[502];
bool chushi[502];
long top = 0;
bool used[502];
const long oo = 0x7fff0000;
int main()
for (long i=1;i-oo&&rudu[i]>0)
}c[now] = 0;
} bool nul = true;
for (long i=1;i0&&chudu[i]==0)
}if (nul)
return 0;
}
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路簡介 多層神經網路
如上圖所示，該神經網路有三層。我們標記第一層 也就是輸入層 為a 1 第一層與第二層連線權重為w 1 然後第一層輸入與第一層權重的線性和為z 1 第一層神經元個數為n 1 並依次標記剩餘網路層。可以看出，存在 z l j i 1 n l a l i w l i,j a l w l j a l 1 f...