人工神經網路(artificial neural networkartificialneuralnetwork)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。
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11)
圖中,x_1-x_3x1−x3是資訊輸入渠道,y_1-y_2y1−y2是資訊輸出渠道,c_1c1表示神經元目前的狀態,u_iui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,神經網路中的神經元分為幾層;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,c_ici服從公式:(其中nn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jj號神經元和ii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路輸出層的狀態。
輸入檔案第一行是兩個整數n(1≤n≤100)和p。接下來n行,每行2個整數,第i+1行是神經元ii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2個整數i,j及1個整數wij,表示連線神經元i,j的邊權值為wij。
輸出檔案包含若干行,每行有2個整數,分別對應乙個神經元的編號,及其最後的狀態,2個整數間以空格分隔。僅輸出最後狀態大於0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」。
輸入 #1複製
5 6輸出 #1複製1 01 0
0 10 1
0 11 3 1
1 4 1
1 5 1
2 3 1
2 4 1
2 5 1
3 14 15 1
**洛谷p1038
很久沒有做過這樣的題了(逃)本題的坑點有兩個 第一是輸入層的狀態不能提前減去u[i]但其它層需要
第二是注意拓撲排序不要重複進佇列
**
#include#include#include
#include
using
namespace
std;
int n,p,head[100050],num,c[100050],u[100050],book[100050],ind[100050],ins[100050],deg[100050
];struct
edge
e[2000050
];void add(int u,int v,int
c)queue
q;intmain()
for(int i=1;i<=n;i++)
if(!deg[i])c[i]+=u[i],book[i]+=u[i];//
若入度為0則重新加上u[i]
for(int i=1;i<=n;i++)
if(book[i]>0)q.push(i),ins[i]=1
;
while(!q.empty())}}
int flag=0
;
for(int i=1;i<=n;i++)
if(!ind[i]&&c[i]>0)printf("
%d %d\n
",i,c[i]),flag=1
;
if(!flag)puts("
null");
return0;
}
2019暑假集訓
7.8 題解a.類似於保護古蹟的亂搞 b.可持久化線段樹維護塊與塊的連邊 暴力匹配 c.burnside引理好題 補不來.jpg ctsc2014 隨機數 這裡 感覺是一道比較好的題 常見套路又忘了系列 n個點無向連通圖計數 考慮1號點所在聯通塊大小 減掉 然後得到乙個柿子可以分治fft 7.9題解...
2019暑假集訓心得
暑假終於要過去了在學校訓練了乙個月。感覺進步不是很明顯,但是總的來說還是有很多收穫的。我上大學的最愛的東西有兩件,乙個是女朋友,乙個是acm。我知道我第一次談戀愛不會太長久,所以我很珍惜和她在一起的時間,為她也主動放棄了很多東西,每一天我都很努力的愛她,如今走到這步田地,我也沒啥好後悔的。現在既然只...
總結 2019暑假集訓
啊,我最喜歡的暑假集訓終究還是結束了。感覺集訓收穫的還是挺大的,不管是在知識方面還是心態方面,感覺現在考試心態穩了很多,不管是考前考時考後,都可以很快的調整了。大概就是教練所說的考試心態調整的加速。最近感覺非常好,雖然水題還是老爆零,考得也不怎麼樣,不過我的確是飛快的在進步了,只要我在進步就好了,我...