deep

用于大型图像识别的很深的卷积网络 1 、摘要 在这个论文中我们调查了卷积网络的深度对大型图片识别精度的影响。 我们主要的贡献是完整的用一个很小的3*3的卷积过滤器来增加网络深度的评估。在这个先进的配置上面，将深度增加到16-19层将会取得明显的改善 。这些发现是我们ImageNet 2014竞赛作品的基础，我们战队在定位和分类任务中分别获得了第一和第二的成绩。并且我们展示了我们的作品在其他的数据集上泛化性能也很好，我们取得了领先的结果。我们将我们另个性能最好的卷积模型公开，来促进计算机视觉中深度视觉作品的发展。 2 、引言 卷积神经网络最近再大型图片和语音识别中取得了很大的成功，能取得如此成就可归功于下面几个原因：大规模的公开的图片数据集，比如说ImageNet；高性能的计算系统，比如说GPU和大规模的集群分布（这个翻译可能不专业，应该指的是大规模的分布式计算）。再先进的深度视觉识别领域中ILSVRC有着举足轻重的地位，ILSVRC对从高纬度的影子特征编码（high -dimensional shallow feature encodings）到深度卷积网络这几代的大型图片分类系统的性能进行了测试。 随着卷积网络变成计算机视觉领域的常用方法，有很多试验尝试着取提高最初由Krizhevsky等人提出的模型结构（ ImageNet classification with deep

天天爱跑步 这或许现在不是 \(NOIP\) 最毒瘤的题了叭. (当然你说是,我还可以肛你说 \(NOIP\) 没了) 嗯...一个很显然的暴力思路是: 对于每一个玩家,暴力跟着跑,走到 \(w_i\) 等于当前时间的点就统计. 这显然是对的...但它太慢了,完全跑不过去. 我们发现题目里给的条件其实是个这个: 设一条路径的起点终点分别是 \(s_i,t_i\) ,长度是 \(dis_{i,j}\) , \(LCA\) 是 \(lca_{i,j}\) ,某一点 \(x\) 是 \(deep_x\) . \[dis(s_i,t_i)-deep_{t_i}=w_p-deep_p\] 和 \[deep_s=deep_p+w_p\] 然后我们的问题就变成了对于每一个点,求它的子树内有多少点的权值和它相等,当然,权值有两种. 然后...这个很难做对叭. 我们想怎么去做它,因为我们发现这是不可避免的. 这时候大佬可能会说了,直接线段树维护桶,线段树合并即可. 但这不是我们要说的.(拒绝大力数据结构,偶尔写写还是挺开心的 我们的做法也是维护桶,但并非这么暴力,这种维护方法非常优美. 用桶去维护权值,下标就是权值,存储的值是有多少个. 我们发现,直接去维护这个全局桶是显然没法做的. 我们考虑,枚举观察点,去它的子树里统计. 由于观察点是所有点,所以我们只需要一遍 \(dfs\) 去枚举即可. 而

树的直径 树的直径是指树中两个点之间的最大距离，即最长的一条链。 容易证明( 信奥不需要证明 )，树的直径的起始点是该树的叶子节点。 求树的直径一般有两种方法，一种是两遍 \(dfs\) ，另一种是树形 \(DP\) 。 两遍dfs 我们随便从一个点 \(u\) 出发，然后去寻找一个离这个点最远的一个点 \(v\) 。 然后再从这个点v出发去寻找最长链。 void dfs(int x,int p) { for(re int i = head[x] ; i ; i = t[i].next) { int v = t[i].to; if(vis[v]) continue; vis[v]=1; dis[v] = p + t[i].dis; if(dis[v] > ans) { ans=dis[v]; node=v; } dfs(v,dis[v]); } } 树形DP 用 \(f[x][1]\) 维护在x的子树中的最长链。 用 \(f[x][2]\) 维护在x的子树中的次长链。 那么在 \(x\) 的子树中的最长链就是 \(f[x][1]+f[x][2]\) . void dfs(int x, int fa) { for(re int i = head[x]; i; i = t[i].net) { int v = t[i].to; if(v == fa) continue; dfs(v,x)

题目链接：http://acm.hdu.edu.cn/showproblem.php?pid=6736 如果环的边长为k，那么环的删边方案数是2 k -1。如果链的边长为k，那么链的删边方案数是2 k 。环的方案数乘以链的方案数就是总的方案数 #include<iostream> using namespace std; #define maxn 500005 #define mod 998244353 #define ll long long int cnt,n,m,head[maxn],deep[maxn],vis[maxn],tot; ll ans; struct edge{ int to,next; }e[maxn<<1]; void add(int u,int v) { e[++cnt].to=v; e[cnt].next=head[u]; head[u]=cnt; } ll poww(ll a,ll b) { ll ret=1; while(b) { if(b&1)ret=ret*a%mod; a=a*a%mod; b>>=1; } return ret; } void dfs(int u,int fa) { deep[u]=deep[fa]+1; int v; for(int i=head[u];i;i=e[i].next) { v=e[i].to; if(v!=fa

强化学习笔记(一) 1 强化学习概述 随着 Alpha Go 的成功，强化学习（Reinforcement Learning，RL）成为了当下机器学习中最热门的研究领域之一。与常见的监督学习和非监督学习不同，强化学习强调智能体（agent）与环境（environment）的交互，交互过程中智能体需要根据自身所处的状态（state）选择接下来采取的动作（action），执行动作后，智能体会进入下一个状态，同时从环境中得到这次状态转移的奖励（reward）。 强化学习的目标就是从智能体与环境的交互过程中获取信息，学出状态与动作之间的映射，指导智能体根据状态做出最佳决策，最大化获得的奖励。 2 强化学习要素 强化学习通常使用马尔科夫决策过程（Markov Decision Process，MDP）来描述。MDP数学上通常表示为五元组的形式，分别是状态集合，动作集合，状态转移函数，奖励函数以及折扣因子。 近些年有研究工作将强化学习应用到更为复杂的MDP形式，如部分可观察马尔科夫决策过程（Partially Observable Markov Decision Process，POMDP），参数化动作马尔科夫决策过程（Parameterized Action Markov Decision Process，PAMDP）以及随机博弈（Stochastic Game，SG）。 状态（S）

ZROI#987 差分+简单数学即可. 首先有个性质: 两条链相交等价于其中一条链的 \(LCA\) 在另一条链上. 于是我们就对每一条链的 \(LCA\) 都加 \(1\) . 最后查询每一条链的区间和即可.树剖实现. 但这样我们会算重复,就是说 \((a,b)\) 两条链相交我们会算 \((a,b)\) 一次, \((b,a)\) 一次. 也就是说我们算出的是有序数对.容斥掉即可.(没有公式,直接减掉一半即可.) \(Code:\) #include <algorithm> #include <iostream> #include <cstdlib> #include <cstring> #include <cstdio> #include <string> #include <vector> #include <queue> #include <cmath> #include <ctime> #include <map> #include <set> #define MEM(x,y) memset ( x , y , sizeof ( x ) ) #define rep(i,a,b) for (int i = (a) ; i <= (b) ; ++ i) #define per(i,a,b) for (int i = (a) ; i >= (b) ; -- i)

树上差分 给一条链(u,v)加1，在u处+1，v处+1，LCA处-2。 用树状数组在dfs序上单点修改单点查询，但是修改是往前贡献，查询是往后查询， O ( n l o g n ) O(nlogn) O ( n l o g n ) 。 如果询问都在修改之后可以直接树形DP由下往上传， O ( n ) O(n) O ( n ) 。 eg： BZOJ3631: [JLOI2014]松鼠的新家 查询一个点到根的路径的和 有时候链上问题可以转化成两点和lca到根的路径和问题。 如果是单点修改，用树状数组在dfs序上对子树差分，单点查询（即前缀和）， O ( n l o g n ) O(nlogn) O ( n l o g n ) 。 eg： BZOJ2819: Nim 如果还有子树修改，考虑修改一个点 x x x 对它的子树中点 y y y 的贡献： 单点修改 x x x ，加上 a a a ，贡献为 a a a 子树修改 x x x ，子树加上 a a a ，贡献为 a ∗ ( d e e p [ y ] − d e e p [ x ] + 1 ) = a ∗ d e e p [ y ] + a ∗ ( 1 − d e e p [ x ] ) a*(deep[y]-deep[x]+1)=a*deep[y]+a*(1-deep[x]) a ∗ ( d e e p [ y ] − d e e

PCA做法 deep auto-encoder做法 --- deep auto-encoder还原的图会更接近原图，但这并不是重点，要不然直接输出原图就好了，降维干嘛 重点是降维后能分开 例子： ----- 来源： https://www.cnblogs.com/lunotebook/p/11512741.html

2019. 欢迎访问我的个人博客: http://zengzeyu.com No. PAPER SOURCE 1 Visualizing the Loss Landscape of Neural Nets PDF /video/ code 2 3D Backbone Network for 3D Object Detection PDF /video/code 3 PersonLab : Person Pose Estimation and Instance Segmentation with a Bottom-Up , Part-Based , Geometric Embedding Model PDF /video/ code 4 DeeperLab : Single-Shot Image Parser PDF /video/code 5 Multi-Task Learning as Multi-Objective Optimization PDF /video/ code 6 Rethinking on Multi-Stage Networks for Human Pose Estimation PDF / video / code 7 RePr: Improved Training of Convolutional Filters PDF /video/code 8

题意：给定一个无向图，删除某些边有一定的代价，要求删掉使得最短路径减小，求最小代价。 分析：首先要spfa求出起点到各个点的最短距离。对于一条权值为w，起点为i，终点为j的边，设dis[k]为起点到k点的距离，若dis[j]=dis[i]+w，则将该边加入另一个图里，边的容量为删除这条边的代价，则从起点到终点的最大流即为答案。。 　　1、首先最短路径一定在最短路图上 　　2、如果起点和终点不联通，就不存在这样一条最短路径，所以最短路径一定会变大； 注意看范围。。wa17发 #include<iostream> #include<cstring> #include<algorithm> #include<cstdio> #include<queue> using namespace std; typedef long long ll; const ll INF=1e18; const int M=1e4+4; struct node{ ll u,v,nextt; ll w; }g[M<<2],e[M<<2]; ll s,t,tot1,tot2,cur[M],head1[M],head2[M],vis[M],deep[M]; ll dis[M]; void addedge1(ll u,ll v,ll w){ g[tot1].u=u; g[tot1].v=v; g[tot1].w=w;