分组训练2

http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=3776

第一题:很简单,但是还是WA了一次,以为粘贴复制省事,忘了改一个变量;所以卒;

http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=3782

我们做的第二题,翻译错了题意,以为是输入字符串,想得太复杂了,浪费了太多的时间,最后队友很快打完了,才知道不是字符串,心累;

http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=3787

做的第三题,没什么好说的,基本上一样的代码,队友没过,我却过了,很伤;

http://acm.zju.edu.cn/onlinejudge/showProblem.do?problemCode=3778

第四题:想法题,队友过的;

4: #include <cstdio>

#include <cstring>
int main()
{
 int t;
 int n,m;
 while(~scanf("%d",&t))
 {
  while(t--)
  {
   int di;
   int ma=0;
   int sum=0;
   scanf("%d%d",&n,&m);
   int i;
   for(i=0;i<n;i++)
   {
    scanf("%d",&di);
    if(ma<di)
    {
     ma=di;
    }
    sum+=di;
   }
   int ans=sum/m;
   if(sum%m)
   {
    ans++;
    
   }
   if(ans<ma)
   {
    ans=ma;
   }
   printf("%d\n",ans);
  }
 }
 return 0;
}

时间: 2024-10-13 01:48:46

分组训练2的相关文章

生如逆旅 一苇以航

7.20开始的训练,不知不觉已经到了8.4,也算半个月吧.现在想写点东西仔细回味一下这半个月的历程,既是对学习方法的再思考,亦是对自己下一阶段训练的指导. 分两个阶段来谈吧!也就是模板练习阶段以及组队训练阶段. [模板练习] 在这段时间内,我接触了大量前所未见的算法,算是大开眼界吧.说来也是惭愧,上学期修了一学期的算法课竟然没有一天接触的算法多,现在来看,老师讲的都是皮毛,算法真正的瑰宝都留着我们自己去探索.这也由点到面地映射出现代高等教育的特征--浅尝辄止,这就更激励我们要在课外去寻找舞台,提

训练模型:交叉验证

一.基本概述 用交叉验证的目的是为了得到可靠稳定的模型. 消除测试集与训练集选择的不好,导致训练的模型不好. 二.k折交叉验证 K折交叉验证,初始采样分割成K个子样本,一个单独的子样本被保留作为验证模型的数据,其他K-1个样本用来训练.交叉验证重复K次,每个子样本验证一次,平均K次的结果或者使用其它结合方式,最终得到一个单一估测. 这个方法的优势在于,同时重复运用随机产生的子样本进行训练和验证,每次的结果验证一次,10折交叉验证是最常用的. k 折交叉验证通过对 k 个不同分组训练的结果进行平均

face recognition[翻译][深度学习理解人脸]

本文译自<Deep learning for understanding faces: Machines may be just as good, or better, than humans>.为了方便,文中论文索引位置保持不变,方便直接去原文中找参考文献. 近些年深度卷积神经网络的发展将各种目标检测和识别问题大大的向前推进了不少.这同时也得益于大量的标注数据集和GPU的使用,这些方面的发展使得在无限制的图片和视频中理解人脸,自动执行诸如人脸检测,姿态估计,关键点定位和人脸识别成为了可能.本

Hadoop企业级完整训练:Rocky的16堂课(HDFS&amp;MapReduce&amp;HBase&amp;Hive&amp;Zookeeper&amp;Sqoop&amp;Pig&amp;Flume&amp;Project) - 0515

Hadoop是云计算的事实标准软件框架,是云计算理念.机制和商业化的具体实现,是整个云计算技术学习中公认的核心和最具有价值内容. 如何从企业级开发实战的角度开始,在实际企业级动手操作中深入浅出并循序渐进的掌握Hadoop是本课程的核心.   云计算学习者的心声: 如何从企业级开发的角度,不断动手实际操作,循序渐进中掌握Hadoop,直到能够直接进行企业级开始,是困惑很多对云计算感兴趣的朋友的核心问题,本课程正是为解决此问题而生,学习者只需要按照一步步的跟着视频动手操作,即可完全无痛掌握Hadoo

学习笔记TF016:CNN实现、数据集、TFRecord、加载图像、模型、训练、调试

AlexNet(Alex Krizhevsky,ILSVRC2012冠军)适合做图像分类.层自左向右.自上向下读取,关联层分为一组,高度.宽度减小,深度增加.深度增加减少网络计算量. 训练模型数据集 Stanford计算机视觉站点Stanford Dogs http://vision.stanford.edu/aditya86/ImageNetDogs/ .数据下载解压到模型代码同一路径imagenet-dogs目录下.包含的120种狗图像.80%训练,20%测试.产品模型需要预留原始数据交叉验

机器学习-分类器-级联分类器训练(Train CascadeClassifier )

一.简介: adaboost分类器由级联分类器构成,"级联"是指最终的分类器是由几个简单分类器级联组成.在图像检测中,被检窗口依次通过每一级分类器,这样在前面几层的检测中大部分的候选区域就被排除了,全部通过每一级分类器检测的区域即为目标区域. 分类器训练完以后,就可以应用于输入图像中的感兴趣区域的检测.检测到目标区域输出为1,否则输出为0.为了检测整副图像,在图像中移动搜索窗口,检测每一个位置来确定可能的目标.为了搜索不同大小的目标物体,在图像中检测未知大小的目标物体,扫描过程中用不同

《程序员的思维训练》

<程序员的思维训练> <程序员的思维修炼:开发认知潜能的九堂课> 从程序员的角度去认清自己,思考问题,了解我们的大脑,进而发掘潜能. 作者是亨特(Andy Hunt),他曾经写过<程序员修炼之道——从小工到专家>,<高效程序员的45个习惯:敏捷开发修炼之道>,<Programming Ruby>,<单元测试之道C#版——使用NUnit >.<单元测试之道Java版——使用JUnit>.<版本控制之道——使用CVS &

【OpenCV】opencv3.0中的SVM训练 mnist 手写字体识别

前言: SVM(支持向量机)一种训练分类器的学习方法 mnist 是一个手写字体图像数据库,训练样本有60000个,测试样本有10000个 LibSVM 一个常用的SVM框架 OpenCV3.0 中的ml包含了很多的ML框架接口,就试试了. 详细的OpenCV文档:http://docs.opencv.org/3.0-beta/doc/tutorials/ml/introduction_to_svm/introduction_to_svm.html mnist数据下载:http://yann.l

加州理工学院公开课:机器学习与数据挖掘_训练与测试(第五课)

课程简介: 本视频为机器学习系列课程第5章.主要定量研究训练与测试之间的关系,并引入学习模型中的一个重要概念--断点.课程深入浅出,从正射线.正区间和凸集三个具体例子入手,寻找突破点,从而得出训练集与测试集的关系. 课程大纲(Outline): 1.从训练到测试(From Training to Testing) 2.举例说明(Illustrative Examples ) 3.关键概念---- 断点(Key Notion --- Break Point ) 4.难题(Puzzle) 1.从训练