专栏文章

神经网络与深度学习

jjun头吉吉
个人记录参与者 16已保存评论 15

文章操作

快速查看文章及其快照的属性，并进行相关操作。

当前评论
15 条
当前快照
1 份
快照标识符
@mmenajr6
此快照首次捕获于
2026/03/06 16:41
前天
此快照最后确认于
2026/03/06 16:41
前天
查看原文
标题很高大上其实内容很简单。就是很入门的东西。
给定一个字符串求值。这个是普及组内容。这里不过多阐述。不会也没关系可以拉到最后。
首先原始的图片噪点很多，给图片降噪。一种简单的降噪方法就是每个点周围 3×33\times 3 如果 00 更多就是 00 否则就是 11。
然后拉出连通块。这里只拉出宽度 ≥8\ge 8 的连通块。当然具体是多少不重要，只要保证拉出的是完整的数字而不是无意义的噪点就行了。
首先我们生成训练数据和测试数据。这部分用 C++ 实现。
首先我们写一个图片类。
CPP
#include<bits/stdc++.h>
#define chkmx(a,b) (a)=max((a),(b))
#define chkmn(a,b) (a)=min((a),(b))
#define pc putchar
using namespace std;
mt19937 myrnd(random_device{}());
float rnd(float a,float b){
	return uniform_real_distribution<float>(a,b)(myrnd);
}
const float pi=acos(-1);
template<class T>struct Image{
	int n,m;vector<vector<T>>a;
	Image<T>(int n,int m):n(n),m(m){a=vector<vector<T>>(n,vector<T>(m,0));}
};
Image<char> readfile(string name){
	ifstream file(name);
	int n,m;file>>m>>n;
	string tmp;Image<char>a(n,m);
	for(int i=0;i<n;i++){
		file>>tmp;
		for(int j=0;j<m;j++)
			a.a[i][j]=tmp[j]=='#';
	}
	return a;
}
模拟数字的变换
CPP
Image<char>trans(Image<char>img,float M,float Mx,float My,float theta,float Sx,float Sy){
	theta=theta/180*pi;
	int n=img.n,m=img.m;
	Image<char>nwimg(n+30,m+30);
	for(int i=0;i<n;i++)for(int j=0;j<m;j++)if(img.a[i][j]){
		float x=i-1.0*n/2,y=j-1.0*m/2;
		x*=M*Mx,y*=M*My;
		tie(x,y)=make_pair(x*cos(theta)+y*sin(theta),y*cos(theta)-x*sin(theta));
		tie(x,y)=make_pair(x+Sx*y,y+Sy*x);
		int xx=int(x+1.0*n/2+15.5),yy=int(y+1.0*m/2+15.5);
		assert(0<=xx&&xx<nwimg.n);
		assert(0<=yy&&yy<nwimg.m);
		nwimg.a[xx][yy]=1;
	}
	return nwimg;
}
拉出连通块：
CPP
Image<char>cut(Image<char>img){
	int n=img.n,m=img.m;
	Image<char>vis(n,m);
	int mnx,mxx,mny,mxy;
	function<void(int,int)>dfs1;
	function<void(int,int,Image<char>&)>dfs2;
	dfs1=[&](int x,int y){
		vis.a[x][y]=1;
		chkmx(mxx,x);chkmn(mnx,x);
		chkmx(mxy,y);chkmn(mny,y);
		for(int xx=max(0,x-1);xx<=x+1&&xx<n;xx++)
			for(int yy=max(0,y-1);yy<=y+1&&yy<m;yy++)
				if(!vis.a[xx][yy]&&img.a[xx][yy])
					dfs1(xx,yy);
	};
	dfs2=[&](int x,int y,Image<char>&nowimg){
		nowimg.a[x-mnx][y-mny]=1;
		vis.a[x][y]=2;
		for(int xx=max(0,x-1);xx<=x+1&&xx<n;xx++)
			for(int yy=max(0,y-1);yy<=y+1&&yy<m;yy++)
				if(vis.a[xx][yy]==1&&img.a[xx][yy])
					dfs2(xx,yy,nowimg);
	};
	for(int i=0;i<n;i++)for(int j=0;j<m;j++)if(img.a[i][j]&&vis.a[i][j]==0){
		mnx=mny=1e9;mxx=mxy=-1e9;
		dfs1(i,j);
		Image<char>nowimg(mxx-mnx+1,mxy-mny+1);
		dfs2(i,j,nowimg);
		if(mxy-mny>=8)return nowimg;
	}
	assert(0);
}
降噪：
CPP
Image<char>dnoise(Image<char>img){
	int n=img.n,m=img.m;Image<char>nwimg(n,m);
	for(int i=0;i<n;i++)for(int j=0;j<m;j++){
		int cnt1=0;
		for(int x=i-1;x<=i+1;x++)for(int y=j-1;y<=j+1;y++)
			if(0<=x&&x<n&&0<=y&&y<m&&img.a[x][y])cnt1++;
		nwimg.a[i][j]=(cnt1>=5);
	}return nwimg;
}
为了减小神经网络参数数量，我们缩放到 9×99\times 9：
CPP
const int N=9;
Image<float>work(Image<char>img){
	int n=img.n,m=img.m;
	#define getx(i) (max(n,m)*(i)/N)
	#define gety(i) (m*(i)/N)
	Image<float>nwimg(N,N);
	for(int i=0;i<N;i++)for(int j=0;j<N;j++){
		int aa=0,bb=0;
		for(int x=getx(i);x<getx(i+1);x++)for(int y=gety(j);y<gety(j+1);y++){
			if(0<=x&&x<n&&0<=y&&y<m&&img.a[x][y])aa++;
			bb++;
		}
		if(bb)nwimg.a[i][j]=1.*aa/bb;
	}return nwimg;
}
最后生成训练数据与测试数据：
CPP
signed main(){
	ofstream train_img("train_img"),train_label("train_label");
	for(int i=0;i<16;i++){
		cout<<i<<endl;
		Image<char>img=readfile("font/"+to_string(i)+".txt");
		for(int j=0;j<10000;j++){
			Image<float>res=work(cut(dnoise(trans(img,rnd(.9,1),rnd(.9,1),rnd(.9,1),rnd(-15,15),rnd(-.1,.1),rnd(-.1,.1)))));
			for(int x=0;x<9;x++)for(int y=0;y<9;y++)train_img<<res.a[x][y]<<' ';
			train_img<<endl;train_label<<i<<endl;
		}
	}
	train_img.close();train_label.close();
	
	ofstream test_img("test_img"),test_label("test_label");
	for(int i=0;i<16;i++){
		cout<<i<<endl;
		Image<char>img=readfile("font/"+to_string(i)+".txt");
		for(int j=0;j<1000;j++){
			Image<float>res=work(cut(dnoise(trans(img,rnd(.9,1),rnd(.9,1),rnd(.9,1),rnd(-15,15),rnd(-.1,.1),rnd(-.1,.1)))));
			for(int x=0;x<9;x++)for(int y=0;y<9;y++)test_img<<res.a[x][y]<<' ';
			test_img<<endl;test_label<<i<<endl;
		}
	}
	test_img.close();test_label.close();
}
接下来写神经网络。神经网络入门可以去看 tensorflow。这里采用最简单的模型，输入为 9×9=819\times 9=81 的张量，第一个 Dense 层有 3232 个节点，激活函数为 relu，第二个层会返回一个长度为 1616 的 logits 数组。我们可以写出如下的代码：
PYTHON
import tensorflow as tf
import numpy as np
print(tf.__version__)
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(81)),
    tf.keras.layers.Dense(32, activation='relu'),
    tf.keras.layers.Dense(16)
])
使用 model.summary() 查看模型参数个数。
CPP
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense (Dense)                (None, 32)                2624      
_________________________________________________________________
dense_1 (Dense)              (None, 16)                528       
=================================================================
Total params: 3,152
Trainable params: 3,152
Non-trainable params: 0
_________________________________________________________________
可以看到有 3,1523,152 个参数。所有参数保留 55 位是能够提交的。
然后确定 损失函数，优化器和指标；
PYTHON
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
读取训练数据并随机打乱：
PYTHON
traindata = np.loadtxt('train_img')
trainlabel = np.loadtxt('train_label',dtype=np.uint8)
index = [i for i in range(len(traindata))]
np.random.shuffle(index)
traindata = traindata[index]
trainlabel = trainlabel[index]
在训练数据上训练：
PYTHON
model.fit(traindata, trainlabel, epochs=10)
CPP
Epoch 10/10
160000/160000 [==============================] - 11s 66us/sample - loss: 2.8253e-09 - accuracy: 1.0000
可以 1010 个 epoch 后准确率达到了 100%100\%。读取测试数据并测试：
PYTHON
testdata = np.loadtxt('test_img')
testlabel = np.loadtxt('test_label',dtype=np.uint8)
print(model.evaluate(testdata,  testlabel, verbose=2))
CPP
16000/16000 - 1s - loss: 3.8296e-09 - accuracy: 1.0000
可以看到准确率也是 100%100\%。
最后输出参数
PYTHON
weights = model.trainable_variables
baoliu = 5
weights_str = ""
for i in range(81):
    for j in range(32):
        weights_str += str(round(float(weights[0][i][j]),baoliu))+' '
for i in range(32):
    weights_str += str(round(float(weights[1][i]),baoliu))+' '
for i in range(32):
    for j in range(16):
        weights_str+=str(round(float(weights[2][i][j]),baoliu))+' '
for i in range(16):
    weights_str+=str(round(float(weights[3][i]),baoliu))+' '
print(weights_str)
最后就是实现要提交的代码了。
计算表达式。最朴素的方法，有括号先算括号，否则先算乘除，再算加减。反正这部分不是瓶颈怎么写都可以。下面给出垃圾实现：
CPP
int calc(string str){
	int len=str.size();
	for(int i=0;i<len;i++)if(str[i]=='('){
		int now=1,j=i;while(now){j++;if(str[j]=='(')now++;if(str[j]==')')now--;}
		return calc(str.substr(0,i)+to_string(calc(str.substr(i+1,j-i-1)))+str.substr(j+1));
	}
	vector<int>nums;
	for(int i=0;i<len;){
		int now=0,j=i;int f=1;if(str[j]=='-')f=-1,j++;while(isdigit(str[j]))now=now*10+str[j]-'0',j++;
		i=j;nums.push_back(f*now);if(i<len)nums.push_back(str[i]),i++;
	}
	while(nums.size()>1u){
		bool flag=0;
		for(int i=1;i<(int)nums.size()&&!flag;i+=2)if(nums[i]=='*'||nums[i]=='/'){
			flag=1;vector<int>nw;for(int j=0;j<i-1;j++)nw.push_back(nums[j]);
			if(nums[i]=='*')nw.push_back(nums[i-1]*nums[i+1]);else nw.push_back(nums[i-1]/nums[i+1]);
			for(int j=i+2;j<(int)nums.size();j++)nw.push_back(nums[j]);
			nums=nw;break;
		}
		if(!flag){
			vector<int>nw;
			if(nums[1]=='+')nw.push_back(nums[0]+nums[2]);else nw.push_back(nums[0]-nums[2]);
			for(int i=3;i<nums.size();i++)nw.push_back(nums[i]);
			nums=nw;
		}
	}return nums[0];
}
预测是什么字符：
CPP
float weights0[81][32],weights1[32],weights2[32][16],weights3[16];
float dense0[81],dense1[32],dense2[16];
int mymodel(Image<float>input){
	for(int i=0;i<N;i++)for(int j=0;j<9;j++)
		dense0[i*N+j]=input.a[i][j];
	memset(dense1,0,sizeof dense1);memset(dense2,0,sizeof dense2);
	for(int i=0;i<81;i++)for(int j=0;j<32;j++)
		dense1[j]+=dense0[i]*weights0[i][j];
	for(int i=0;i<32;i++)dense1[i]=dense1[i]+weights1[i];
	for(int i=0;i<32;i++)dense1[i]=max(float(0),dense1[i]);
	for(int i=0;i<32;i++)for(int j=0;j<16;j++)
		dense2[j]+=dense1[i]*weights2[i][j];
	for(int i=0;i<16;i++)dense2[i]=dense2[i]+weights3[i];
	pair<float,int>mx(-1e9,0);
	for(int i=0;i<16;i++)chkmx(mx,make_pair(dense2[i],i));
	return mx.second;
}
读取权重：
CPP
stringstream weights_str("....");
for(int i=0;i<81;i++)for(int j=0;j<32;j++)weights_str>>weights0[i][j];
for(int i=0;i<32;i++)weights_str>>weights1[i];
for(int i=0;i<32;i++)for(int j=0;j<16;j++)weights_str>>weights2[i][j];
for(int i=0;i<16;i++)weights_str>>weights3[i];
读取，分离数字并获得字符串：
CPP
ios::sync_with_stdio(0);cin.tie(0);
cin>>T>>m>>n;string tmp;Image<char>img(n,m);
for(int i=0;i<n;i++){
	cin>>tmp;
	for(int j=0;j<m;j++)img.a[i][j]=tmp[j]=='#';
}
img=dnoise(img);
Image<char>vis(n,m);
int mnx,mxx,mny,mxy;
function<void(int,int)>dfs1;
function<void(int,int,Image<char>&)>dfs2;
dfs1=[&](int x,int y){
	vis.a[x][y]=1;
	chkmx(mxx,x);chkmn(mnx,x);
	chkmx(mxy,y);chkmn(mny,y);
	for(int xx=max(0,x-1);xx<=x+1&&xx<n;xx++)
		for(int yy=max(0,y-1);yy<=y+1&&yy<m;yy++)
			if(!vis.a[xx][yy]&&img.a[xx][yy])
				dfs1(xx,yy);
};
dfs2=[&](int x,int y,Image<char>&nowimg){
	nowimg.a[x-mnx][y-mny]=1;
	vis.a[x][y]=2;
	for(int xx=max(0,x-1);xx<=x+1&&xx<n;xx++)
		for(int yy=max(0,y-1);yy<=y+1&&yy<m;yy++)
			if(vis.a[xx][yy]==1&&img.a[xx][yy])
				dfs2(xx,yy,nowimg);
};
string res="",name="0123456789)/-(+*";
for(int j=0;j<m;j++)for(int i=0;i<n;i++)if(img.a[i][j]&&vis.a[i][j]==0){
	mnx=mny=1e9;mxx=mxy=-1e9;
	dfs1(i,j);
	Image<char>nowimg(mxx-mnx+1,mxy-mny+1);
	dfs2(i,j,nowimg);
	if(mxy-mny>=8)
		res=res+name[mymodel(work(nowimg))];
}
最后输出：
CPP
cout<<calc(res)<<endl;
嘤嘤嘤不想写表达式求值怎么办？
可以用 python 的 eval 来计算值。但是 python 的整除是向下取整的，而题目要求向零取整，所以还需要自己实现一个整数类。
CPP
system(("python3 -c 'import re\ni=int\nclass I(i):\n  def __add__(a,b):return I(i(a)+i(b))\n  def __sub__(a,b):return I(i(a)-i(b))\n  def __mul__(a,b):return I(i(a)*i(b))\n  def __truediv__(a,b):return I(i(a)/i(b))\nprint(eval(re.sub(r\"(\\d+){1}\",r\"I(\\1)\",\""+res+"\")))'").c_str());
也就是执行：
CPP
import re
i=int
class I(i):
  def __add__(a,b):return I(i(a)+i(b))
  def __sub__(a,b):return I(i(a)-i(b))
  def __mul__(a,b):return I(i(a)*i(b))
  def __truediv__(a,b):return I(i(a)/i(b))
print(eval(re.sub(r"(\d+){1}",r"I(\1)","???")))
用 re.sub 把一个数用 I() 包起来。这个会比直接用 c++ 模拟慢一些，但是确实是可以过的。
现在准确度是 100%100\%，不知道可不可以 9×99\times 9 变成 7×77\times 7 之类的。读者可以自己尝试一下。
本当の本当に終わり。

评论

共 15 条评论，欢迎与作者交流。

正在加载评论...