e798. p5. 卷積神經網路
Tags :
Accepted rate : 1442人/1496人 ( 96% ) [非即時]
評分方式:
Tolerant

最近更新 : 2020-01-01 16:32

Content

2019TOI1214 新手同好會 5. 卷積神經網路 (CNN)  {試題連結}

 問題敘述

 卷積神經網絡 (Convolutional Neural Network) 簡稱 CNN,是現在最火紅的深度學習課程 必教的模型。CNN 在影像識別方面非常厲害,許多影像辨識的模型都是以 CNN 的架構為基 礎去做延伸。 CNN分為三個部分:卷積層 (convolution layer)、池化層 (pooling layer) 和全連接層 (fully connected layer)。卷積層用於提取影像特徵,池化層減小資料的空間大小,全連接層主要目的 為實現分類。池化層最常見的作法是最大池化法 (max pooling),它將輸入的影像劃分為若干 個 2×2 的矩形子區域,對每個子區域輸出最大值。 給定一個 n×n 的二維陣列,請實作最大池化演算法並輸出池化後的結果。

最大池化法示意圖
圖片來源:https://embarc.org/embarc_mli/doc/build/html/MLI_kernels/pooling_max.html

 評分說明 此題目測資分成兩組,每組測資有多筆測試資料,需答對該組所有測試資料才能獲得該 組分數。各組詳細限制如下: 子任務1  分數40 額外輸入限制  n = 4。子任務2  分數60 無特別限制。

Input

第一行有一個正整數 n(4<=n<= 20,n 為 2 的倍數),代表輸入影像邊長。接下去有 n 行, 每行各有 n 個數字,數值範圍[-2^31, 2^31) {原題不明確,這明定為int範圍},以空白隔開,代表影像陣列中的資料值。

Output

輸出經 2x2 最大池化後的結果。

Sample Input #1
4
12 20 30 0
8 12 2 0
34 70 37 4
112 100 25 12
Sample Output #1
20 30
112 37
Sample Input #2
6
10 2 0 12 1 3
21 0 13 2 2 0
0 0 0 10 0 0
19 2 0 13 61 1
0 1 32 3 0 2
9 2 0 31 11 0
Sample Output #2
21 13 3
19 13 61
9 32 11
Sample Input #3
4
-2147483648 -1 2 3
-5 -6 2147483647 -543
6 7 8 9
9 8 7 6
Sample Output #3
-1 2147483647
9 9
測資資訊:
記憶體限制: 256 MB
公開 測資點#0 (5%): 1.0s , <1K
公開 測資點#1 (5%): 1.0s , <1K
公開 測資點#2 (5%): 1.0s , <1K
公開 測資點#3 (5%): 1.0s , <1K
公開 測資點#4 (5%): 1.0s , <1K
公開 測資點#5 (5%): 1.0s , <1K
公開 測資點#6 (5%): 1.0s , <1K
公開 測資點#7 (5%): 1.0s , <1K
公開 測資點#8 (5%): 1.0s , <1M
公開 測資點#9 (5%): 1.0s , <1M
公開 測資點#10 (5%): 1.0s , <1M
公開 測資點#11 (5%): 1.0s , <1M
公開 測資點#12 (5%): 1.0s , <1M
公開 測資點#13 (5%): 1.0s , <1M
公開 測資點#14 (5%): 1.0s , <1K
公開 測資點#15 (5%): 1.0s , <1M
公開 測資點#16 (5%): 1.0s , <1M
公開 測資點#17 (5%): 1.0s , <1K
公開 測資點#18 (5%): 1.0s , <1M
公開 測資點#19 (5%): 1.0s , <1K
Hint :

TOI官網參考解只處理非負值,這裏改為有負值

Tags:
出處:
2019年12月TOI新手同好會 [管理者: p3a_owhj (阿普二信) ]

Status Forum 排行

ID User Problem Subject Hit Post Date
41067 jim1225sweet ... (Jim CH) e798
HackMD 解題報告
159 2024-06-30 13:25
40962 wubaie (小億) e798
113 2024-06-21 21:30
26292 406490150@gm ... (我是朱朱) e798
843 2021-07-31 01:35