2019暑假集訓神經網路

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

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

輸出 #1複製

3 1

4 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暑假集訓神經網路

2019暑假集訓

2019暑假集訓心得

總結 2019暑假集訓

2019暑假集訓 神經網路

2019暑假集訓

2019暑假集訓心得

總結 2019暑假集訓

相關推薦

2019暑假集訓神經網路