BUPTOJ 407. BLOCKS

最新推荐文章于 2019-05-10 16:21:37 发布
最新推荐文章于 2019-05-10 16:21:37 发布
阅读量854 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： acm BUPT OJ
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/birdstorm_s/article/details/37766773
该博客主要介绍了BUPTOJ 407问题的解决思路，通过动态规划（dp）记录每行字符'#'到达的最大高度。接着，使用O(n^2)的时间复杂度遍历，检查每一行 '# '字符构成的矩形是否满足条件：各行高度相同且宽度一致，以此来判断有效矩形的存在。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

dp记录每行向上的#的高度

然后O(n^2)直接扫过去即可

判断矩形条件:每行#高度相等且宽度相等


/*
USER_ID: test#ggvalid
PROBLEM: 407
SUBMISSION_TIME: 2014-07-14 17:45:35
*/
#include <iostream>
#include <cstdio>
#include <cstring>
#include <cctype>
#include <cstdlib>
#include <cmath>
#include <algorithm>
 
using namespace std;
 
int t, n, m;
int dp[1005][1005];
char s[2][1005];
 
int judge()
{
    int ret=0;
    for(int i=1; i<=n; i++){
        for(int j=1; j<=m; j++){
            if(dp[i][j]){
                int tmp=j;
                int ans=dp[i][j], ans2=dp[i+1][j];
                while(j<=m){
                    if(dp[i][j]!=0&&dp[i][j]!=ans) return -1;
                    if(dp[i][j]!=0&&dp[i+1][j]!=ans2) return -1;
                    j++;
                    if(!dp[i][j]) break;
                }
                j--;
                if(!dp[i+1][j]) ret++;
            }
        }
    }
    return ret;
}
 
int main()
{
    while(~scanf("%d%d",&n,&m)){
        int ans=-1, mm=0;
        memset(dp,0,sizeof dp);
        for(int i=1; i<=n; i++){
            scanf("%s",s[mm]);
            mm^=1;
            for(int j=1; j<=m; j++){
                if(i!=1&&s[mm][j-1]=='#') dp[i][j]=(s[mm^1][j-1]=='#'?(dp[i-1][j]+1):0);
                else dp[i][j]=s[mm^1][j-1]=='#'?1:0;
            }
        }
        ans=judge();
        if(ans==-1) puts("So Sad");
        else printf("There are %d ships.\n",ans);
    }
    return 0;
}


Gradio官方学习文档（三）-Blocks
2301_78453609的博客
05-29 2577
Gradio：块和事件监听器，事件侦听器和交互性，多个数据流，函数输入列表与字典，函数返回列表与字典，更新组件配置，例子（输入建议），连续运行事件（then），收集事件数据，将多个触发器绑定到一个函数。
boj407.BLOCKS-bfs
lvy的专栏
07-15 629
题目描述 给定一个N∗M的矩阵，求问里面有多少个由'#'组成的矩形,"There are 5 ships."，若是里面有一个不是矩形的联通块，则输出"So Sad" 输入格式 1≤n,m≤1000 有多组数据，EOF结束。 输出格式 每行对应一个answer 输入样例 6 8 .....#.# ##.....# ##.....# ......
BOJ407 Blocks
qq_16089147的专栏
07-15 489
给定一个N∗M的矩阵，求问里面有多少个由'#'组成的矩形,"There are 5 ships."，若是里面有一个不是矩形的联通块，则输出"So Sad" 输入格式 1≤n,m≤1000 有多组数据，EOF结束。 输出格式 每行对应一个answer 输入样例 6 8 .....#.# ##.....# ##.....# .......# #..
Hust oj 1241 Blocks(暴力）
Tristeza的博客
08-29 477
Blocks Time Limit: 1000 MS Memory Limit: 65536 K Total Submit: 74(29 users) Total Accepted: 46(27 users) Rating: Special Judge: No Description Donald w
[POJ 1390]Blocks
某沙茶的OI代码库
07-17 1043
Description Some of you may have played a game called 'Blocks'. There are n blocks in a row, each box has a color. Here is an example: Gold, Silver, Silver, Silver, Silver, Bronze, Bronze, Bronze, Go
Blocks(poj3734)组合数学
相思作坊半世离殇的博客
07-21 575
Blocks Time Limit: 1000MS   Memory Limit: 65536K Total Submissions: 5417   Accepted: 2539 Description Panda has received an assignment of painting a line of blocks. Since
herv.Blocks - 2D Boards handling classes-开源
04-28
【文件列表】：blocks.cpp、blocks.h、License.txt、Readme.txt - `blocks.cpp`：这是实现herv.Blocks类库的源代码文件，包含了类的定义和方法的具体实现。开发者可以通过阅读此文件了解库的工作原理和扩展功能。 -...
Building Blocks.dotx office 2007页码模板
10-14
Building Blocks.dotx office 2007页码模板
Microsoft.ApplicationBlocks.Data.dll
11-26
Microsoft.ApplicationBlocks.Data.dll
blocks.css：使用块some在页面上添加一些尺寸
02-04
blocks.css :hot_beverage: 用块向页面添加一些尺寸 :rocket: 您可以在查看示例并开始使用blocks.css 。 文档中的blocks.css UI如下所示。 首先将blocks.css样式表添加到页面的<head> ： < link rel =...
BUPT OJ107 字符串操作
birdstorm
03-05 1577
题目描述 大家平时都会用到字符串，现在有几种字符串操作，需要你用这几种操作处理下字符串。   HINT 字符串下标从0开始，所有操作的数据范围都合乎规范。   输入格式 多组数据，以EOF结束。 第一行一个字符串，字符串长度大于0，并且小于等于200。 第二行一个数字t，（0 下面t行，每行表示一种操作。 共有两种操作，每行数据的第一个数表示操作的种类： 翻转操
NeuronBlocks使用初体验
ljp1919的专栏
05-10 1289
背景 在构建自然语言理解深度学习模型过程中，研究人员或者工程师们经常需要在编程细节和代码调试上花费大量精力，而不是专注于模型架构设计与参数调整。为了提升构建深度模型的效率，微软亚洲互联网工程院自然语言理解团队 (STCA NLP Group, Microsoft) 推出了开源项目 NeuronBlocks - 自然语言处理任务的模块化深度学习建模工具包，目前支持英文和中文。 PS：微软亚太研发集...
北邮oj---ip地址
cqhblg的博客
02-10 6727
题目：http://10.105.242.80/problem/p/101/ 积累知识： sscanf(s.c_str(),"%d",&count); //string转int void split(string s,char c,vector<string> &vs){ ...
北大ACM3734——Blocks
XD
08-02 648
题目的意思是：N个方块排成一列，用四种颜色红蓝绿黄来染色。求染成红色的方块和染成绿色的方块的个数同时为偶数的染色方案的个数。 设染色到第i个的时候，有三种情况：红绿色的偶数方案为a(i)，红绿恰有一个是偶数的方案数为b(i)，红绿都是奇数的方案数为c(i)。 而在第i + 1 种情况，红绿的偶数方案为 a(i + 1)  = 2 * a(i) + b(i)。2 * a(i) 代表第 i 个时恰
北邮12年网研 -二叉树的层数
Ocean
04-04 1728
B  网2——二叉树的层数 Accept:34     Submit:366 Time Limit:1000MS     Memory Limit:65536KB Description 老师有一个问题想考考mabo，但是mabo不会，所以想请你来帮帮忙。 问题如下： 给一个二叉树 请把这个棵二叉树按层来打印。如果为
Blocks（弱校联盟十一专场）
peach_yang的博客
10-07 322
Question：题目详情(https://www.bnuoj.com/v3/contest_show.php?cid=8507#problem/D) 题目详情：要给n个街区涂色，用红，蓝，绿，黄四种颜色，每个街区任意图色，但必须保证红色和绿色是偶数，问有多少种图法 解题思路：我是找出了递推公式，换个思路，如果n为奇数，则先选出一个街区图其他两种颜色，剩下的2*Cn~1*（C(n-1)~0+C(
好题 BUPT OJ84 SINGLE NUMBER
birdstorm
02-26 3146
题目描述 Given an array with N integers where all elements appear three times except for one. Find out the one which appears only once. 输入格式 Several test cases are given, terminated by EOF. Ea
BUPT OJ101 IP地址
birdstorm
03-11 2623
题目描述 我们都学过计算机网络，了解IPV4地址的点分十进制表示法。 你的任务很简单：判断一个字符串是否是一个合法的点分十进制表示的IPV4地址。 最低的IP地址是0.0.0.0，最高的IP地址是255.255.255.255。 PS ：方便起见，认为形似00.00.00.00的IP地址也是合法的。   输入格式 第一行是一个整数T，代表输入还剩下T行 以下的T行，每行
BUPT OJ85 Three Points On A Line
birdstorm
03-11 2609
题目描述 Given points on a 2D plane, judge whether there're three points that locate on the same line. 输入格式 The number of test cases T(1≤T≤10) appears in the first line of input. Each test cas
RuntimeError: Error(s) in loading state_dict for ActionModel: Missing key(s) in state_dict: "net.blocks.12.attn.qkv.weight", "net.blocks.12.attn.qkv.bias", "net.blocks.12.attn.proj.weight", "net.blocks.12.attn.proj. bias", "net.blocks.12.mlp.fc1.weight", "net.blocks.12.mlp.fc1.bias", "net.blocks.12.mlp.fc2.weight", "net.blocks.12.mlp.fc2.bias", "net.blocks.13.attn.qkv.weight ", "net.blocks.13.attn.qkv.bias", "net.blocks.13.attn.proj.weight", "net.blocks.13.attn.proj.bias", "net.blocks.13.mlp.fc1.weight", "net.blocks.13.mlp.fc1.bias", "net.blocks.13.mlp.fc2.weight", "net.blocks.13.mlp.fc2.bias", "net.blocks.14.attn.qkv.weight", "net.blocks.14.attn.qkv.bias", "net.blocks.14.attn.proj.weight", "net.blocks.14.attn.proj.bias", "net.blocks.14.mlp.fc1.weight", "net.blocks.14.mlp.fc1.bias", "net.blocks.14.mlp.fc2.weight", "net.blocks.14.mlp.fc2.bias", "net. blocks.15.attn.qkv.weight", "net.blocks.15.attn.qkv.bias", "net.blocks.15.attn.proj.weight", "net.blocks.15.attn.proj.bias", "net.blocks.15.mlp.fc1.weight", "net .blocks.15.mlp.fc1.bias", "net.blocks.15.mlp.fc2.weight", "net.blocks.15.mlp.fc2.bias", "net.blocks.16.attn.qkv.weight", "net.blocks.16.attn.qkv.bias", "net.bloc ks.16.attn.proj.weight", "net.blocks.16.attn.proj.bias", "net.blocks.16.mlp.fc1.weight", "net.blocks.16.mlp.fc1.bias", "net.blocks.16.mlp.fc2.weight", "net.block s.16.mlp.fc2.bias", "net.blocks.17.attn.qkv.weight", "net.blocks.17.attn.qkv.bias", "net.blocks.17.attn.proj.weight", "net.blocks.17.attn.proj.bias", "net.blocks .17.mlp.fc1.weight", "net.blocks.17.mlp.fc1.bias", "net.blocks.17.mlp.fc2.weight", "net.blocks.17.mlp.fc2.bias", "net.blocks.18.attn.qkv.weight", "net.blocks.18. attn.qkv.bias", "net.blocks.18.attn.proj.weight", "net.blocks.18.attn.proj.bias", "net.blocks.18.mlp.fc1.weight", "net.blocks.18.mlp.fc1.bias", "net.blocks.18.ml p.fc2.weight", "net.blocks.18.mlp.fc2.bias", "net.blocks.19.attn.qkv.weight", "net.blocks.19.attn.qkv.bias", "net.blocks.19.attn.proj.weight", "net.blocks.19.att n.proj.bias", "net.blocks.19.mlp.fc1.weight", "net.blocks.19.mlp.fc1.bias", "net.blocks.19.mlp.fc2.weight", "net.blocks.19.mlp.fc2.bias", "net.blocks.20.attn.qkv .weight", "net.blocks.20.attn.qkv.bias", "net.blocks.20.attn.proj.weight", "net.blocks.20.attn.proj.bias", "net.blocks.20.mlp.fc1.weight", "net.blocks.20.mlp.fc1 .bias", "net.blocks.20.mlp.fc2.weight", "net.blocks.20.mlp.fc2.bias", "net.blocks.21.attn.qkv.weight", "net.blocks.21.attn.qkv.bias", "net.blocks.21.attn.proj.we ight", "net.blocks.21.attn.proj.bias", "net.blocks.21.mlp.fc1.weight", "net.blocks.21.mlp.fc1.bias", "net.blocks.21.mlp.fc2.weight", "net.blocks.21.mlp.fc2.bias" , "net.blocks.22.attn.qkv.weight", "net.blocks.22.attn.qkv.bias", "net.blocks.22.attn.proj.weight", "net.blocks.22.attn.proj.bias", "net.blocks.22.mlp.fc1.weight ", "net.blocks.22.mlp.fc1.bias", "net.blocks.22.mlp.fc2.weight", "net.blocks.22.mlp.fc2.bias", "net.blocks.23.attn.qkv.weight", "net.blocks.23.attn.qkv.bias", "n et.blocks.23.attn.proj.weight", "net.blocks.23.attn.proj.bias", "net.blocks.23.mlp.fc1.weight", "net.blocks.23.mlp.fc1.bias", "net.blocks.23.mlp.fc2.weight", "ne t.blocks.23.mlp.fc2.bias". size mismatch for net.positional_embedding: copying a param with shape torch.Size([17, 768]) from checkpoint, the shape in current model is torch.Size([1 7, 1024]). size mismatch for net.history_embedder.linear.weight: copying a param with shape torch.Size([768, 7]) from checkpoint, the shape in current model is torc h.Size([1024, 7]). size mismatch for net.history_embedder.linear.bias: copying a param with shape torch.Size([768]) from checkpoint, the shape in current model is torch.Siz e([1024]). size mismatch for net.x_embedder.linear.weight: copying a param with shape torch.Size([768, 7]) from checkpoint, the shape in current model is torch.Size ([1024, 7]). size mismatch for net.x_embedder.linear.bias: copying a param with shape torch.Size([768]) from checkpoint, the shape in current model is torch.Size([102 4]). size mismatch for net.t_embedder.mlp.0.weight: copying a param with shape torch.Size([768, 256]) from checkpoint, the shape in current model is torch.Siz e([1024, 256]).怎么解决
最新发布
07-01
<think>我们正在解决加载模型时出现的两个常见问题：键缺失（missingkeys）和参数尺寸不匹配（size mismatch）。根据引用[1][2][3][4]，我们可以总结以下解决方案：1.**键缺失问题**：通常是因为模型保存时的结构和加载时的结构不一致。可能的原因包括：-模型在保存时使用了多GPU训练（如`DataParallel`或`DistributedDataParallel`），导致参数名前带有`module.`前缀，而加载时没有使用多GPU，因此参数名不匹配。-自定义模型时，保存和加载的模型结构有差异（如层名称改变）。 2. **参数尺寸不匹配**：通常是因为模型结构发生变化，比如某一层的输入输出维度改变，导致保存的权重与当前模型对应层的尺寸不一致。 ###解决方案####1.处理键缺失问题- **方法一：去除参数名前缀**（适用于多GPU训练保存的模型在单卡加载）如果保存的模型是在多GPU环境下训练的，那么参数名会带有`module.`前缀。在单卡加载时，我们需要去掉这个前缀。可以通过以下代码实现：```python#加载保存的state_dictstate_dict= torch.load('model.pth')#去除`module.`前缀from collectionsimport OrderedDictnew_state_dict= OrderedDict()fork,v instate_dict.items():name= k[7:]if k.startswith('module.')else k#去掉`module.`new_state_dict[name] =v#然后加载model.load_state_dict(new_state_dict)```- **方法二：使用`strict=False`参数**（允许部分加载，忽略缺失的键）如果缺失的键不是关键层（例如，缺失的是分类层的权重，而你打算重新训练分类层），那么可以设置`strict=False`来忽略缺失的键：```pythonmodel.load_state_dict(state_dict, strict=False)```但注意，这样会忽略所有缺失的键，同时也会忽略尺寸不匹配的键（尺寸不匹配会报错，但`strict=False`会忽略这些错误，只加载匹配的键）。因此，使用这个方法需要确保缺失的键不会影响模型的主要功能。- **方法三：调整模型为多GPU模式**（如果加载环境也是多GPU）如果加载环境也是多GPU，那么可以先将模型用`DataParallel`包装，然后再加载：```pythonmodel= ActionModel(...)#你的模型iftorch.cuda.device_count() >1:model =torch.nn.DataParallel(model,device_ids=[0,1,2,...]).cuda()model.load_state_dict(torch.load('model.pth'))``` ####2.处理参数尺寸不匹配问题-**检查模型结构**：确认保存模型时的结构和当前加载模型的结构是否一致。特别是检查报错信息中提到的具体层，比较其输入输出维度。- **部分加载**：如果只是部分层的尺寸不匹配（比如分类层的输出类别数变化），那么可以使用`strict=False`来加载除了这些层以外的权重。然后重新初始化不匹配的层。- **自定义加载**：如果只有少数层不匹配，可以手动选择加载匹配的层：```pythonmodel_dict= model.state_dict()#过滤掉不匹配的键pretrained_dict ={k: vfor k, vin pretrained_dict.items()if kin model_dict andv.size() ==model_dict[k].size()}model_dict.update(pretrained_dict)model.load_state_dict(model_dict)```###综合建议1.首先，根据错误信息确定是键缺失还是尺寸不匹配，或者两者都有。2.如果是键缺失，判断是否是多GPU训练导致的前缀问题，如果是则使用方法一或三。3.如果缺失的键不是关键层，或者你允许部分加载，则使用`strict=False`（方法二）。4.对于尺寸不匹配，需要根据具体情况调整模型结构或进行部分加载。 ###示例代码假设你遇到以下错误： ```RuntimeError: Error(s)in loadingstate_dictfor ActionModel:Missing key(s)in state_dict:"layer_norm.weight","layer_norm.bias" Unexpected key(s)in state_dict:"module.layer_norm.weight", "module.layer_norm.bias" Sizemismatch forfc.weight:copyinga paramwith shapetorch.Size([100,256])from checkpoint, theshape incurrent modelis torch.Size([10,256]). ```我们可以这样处理：```python#加载原始state_dictcheckpoint =torch.load('model.pth', map_location='cpu')#去除多GPU前缀new_checkpoint ={} fork,v incheckpoint.items():if k.startswith('module.'):new_checkpoint[k[7:]]= velse:new_checkpoint[k]= v#加载模型model= ActionModel(...)#注意：这里构建的模型结构要和原始训练时一致（除了分类层可能改变）#获取当前模型的状态字典model_dict= model.state_dict() #处理尺寸不匹配：假设分类层（fc）的尺寸改变了，我们只加载匹配的键pretrained_dict= {k:v fork,v innew_checkpoint.items() ifkin model_dict andv.size() ==model_dict[k].size()} #更新当前模型的状态字典model_dict.update(pretrained_dict)model.load_state_dict(model_dict) #或者，如果允许部分加载，可以直接用strict=False#model.load_state_dict(new_checkpoint,strict=False) ```###注意事项-在加载模型之前，最好先打印出保存的state_dict的键和当前模型state_dict的键，以便对比差异。 -使用`torch.load`时，注意设置`map_location`参数，确保模型加载到正确的设备上（如CPU或GPU）。###相关问题1.如何检查PyTorch模型的state_dict？2.使用DataParallel训练模型时有哪些注意事项？3.如何自定义PyTorch模型的部分权重加载？</think>### 解决加载模型时的 `state_dict` 键缺失和尺寸不匹配问题 #### 问题分析 当出现 `RuntimeError: Error(s) in loading state_dict for ActionModel` 错误时，通常由以下原因导致： 1. **键缺失（Missing keys）**：模型权重文件中的键名与当前模型结构不一致 2. **尺寸不匹配（Size mismatch）**：权重参数的维度与模型层要求的维度不一致 3. **多GPU训练遗留问题**：使用 `DataParallel` 训练后保存的模型包含 `module.` 前缀 --- ### 解决方案 #### 方法1：处理多GPU训练前缀（最常见） 当模型使用 `DataParallel` 训练时，保存的权重键名会带有 `module.` 前缀。加载时需去除前缀： ```python import torch from collections import OrderedDict # 加载原始权重 checkpoint = torch.load('model.pth', map_location='cpu') # 去除module前缀 new_state_dict = OrderedDict() for k, v in checkpoint.items(): name = k.replace('module.', '') # 关键操作 new_state_dict[name] = v # 加载修正后的权重 model = ActionModel() # 初始化模型 model.load_state_dict(new_state_dict, strict=True) # strict=True 严格匹配 ``` #### 方法2：允许部分加载（忽略缺失键） 若某些层无需加载预训练权重（如新增层），可设置 `strict=False`： ```python model.load_state_dict(torch.load('model.pth'), strict=False) ``` 此时会： - 加载匹配的权重 - 忽略缺失的键 - **但不会解决尺寸不匹配问题** #### 方法3：手动对齐尺寸不匹配层 对尺寸不匹配的层进行特殊处理： ```python pretrained_dict = torch.load('model.pth') model_dict = model.state_dict() # 筛选可加载参数 pretrained_dict = { k: v for k, v in pretrained_dict.items() if k in model_dict and v.shape == model_dict[k].shape } # 更新模型参数 model_dict.update(pretrained_dict) model.load_state_dict(model_dict) # 打印缺失/不匹配信息 missing = [k for k in model_dict if k not in pretrained_dict] print(f"未加载层: {missing}") ``` #### 方法4：模型结构一致性检查 确保训练和推理时的模型结构完全一致： 1. 检查模型版本是否匹配 2. 确认自定义层命名一致性 3. 验证输入/输出维度是否变化 --- ### 关键注意事项 1. **设备一致性**：加载前用 `map_location` 指定设备 ```python torch.load('model.pth', map_location=torch.device('cuda:0')) ``` 2. **层归一化处理**：若报错缺失 `layer_norm.weight/bias`，检查模型是否包含归一化层 3. **版本控制**：使用相同框架版本保存和加载模型 4. **调试建议**：打印权重键名对比差异 ```python print("Loaded keys:", list(checkpoint.keys())) print("Model keys:", list(model.state_dict().keys())) ``` ### 典型错误场景解决方案 | 错误类型 | 现象 | 解决方案 | |---------|------|---------| | **多GPU前缀** | 键名含 `module.conv1.weight` | 使用 `k.replace('module.', '')` | | **新增层** | 缺失新增层权重 | 设置 `strict=False` | | **分类层维度变化** | `fc.weight` 尺寸不匹配 | 手动筛选匹配参数 | | **结构不一致** | 关键层缺失（如 `layer_norm`） | 检查模型定义代码 | > 通过上述方法可解决95%以上的 `state_dict` 加载错误。若问题仍存在，需检查模型构建代码与权重保存时的结构一致性[^1][^3][^4]。 --- ### 相关问题 1. 如何正确保存PyTorch模型以避免加载时的兼容性问题？ 2. 使用 `DataParallel` 和 `DistributedDataParallel` 训练时保存模型有何区别？ 3. 模型微调时如何处理预训练权重与新结构不匹配的问题？ 4. PyTorch中 `strict=False` 参数会带来哪些潜在风险？
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值