poj 2579 Blurred Vision

简介:

这题主要就是输入输出的问题,其实很简单的一道题。。。

之前我先用int型的map去存,发现输入的时候数字都是连在一起的输入,所以无法正确输入,后来用char型数组就好了。。。

这题是第98题,马上就破百了!!

刷完这题,居然手头的一个困扰我已久的项目也有思路了。。欧耶~~~


AC的代码:

#include <stdio.h>
#include <string.h>

char map[20][20];

void myPrint(int R,int C)
{
	//printf("\n这里输出\n");

	int i,j;
	for(i=0;i<R-1;i++)
	{
		for(j=0;j<C-1;j++)
			printf("%c",map[i][j]);

		printf("\n");
	}
}

void process(int R,int C)
{
	int i,j;
	for(i=0;i<R-1;i++)
		for(j=0;j<C-1;j++)
			map[i][j]=(map[i][j]+map[i+1][j]+map[i][j+1]+map[i+1][j+1]-48*4)/4+48;

	myPrint(R,C);
}

int main()
{
	char startFlag[20];
	int R,C;
	char end[5];

	int i,j;
	while(scanf("%s",startFlag))
	{
		if(strcmp(startFlag,"ENDOFINPUT")==0)
			return 0;

		scanf("%d%d",&R,&C);

		for(i=0;i<R;i++)
			scanf("%s",map[i]);

		process(R,C);
		//myPrint(R,C);

		scanf("%s",end);
	}

	return 0;
}





相关文章
|
6月前
Simplifying Graph Convolutional Networks论文笔记
Simplifying Graph Convolutional Networks论文笔记
UVa10484 - Divisibility of Factors(数论)
UVa10484 - Divisibility of Factors(数论)
59 1
|
算法 PyTorch 算法框架/工具
【论文阅读及复现】(2017)Densely Connected Convolutional Networks + Pytorch代码实现
- 最近的工作表明,如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接,则它们可以更深、更准确和更有效地训练。 - 在本文中,我们接受了这一观察并介绍了密集卷积网络(DenseNet),它以前馈方式将每一层连接到其他每一层。具有 L 层的传统卷积网络有 L 个连接——每层与其后续层之间有一个连接——我们的网络有 L*(L+1) /2 个直接连接。 F 或每一层,所有前面的层的特征图被用作输入,它自己的特征图被用作所有后续层的输入。 - DenseNets 有几个引人注目的优势:它们缓解了梯度消失问题,加强了特征传播,鼓励特征重用,并大大减少了参数的数量。 - 我们在四个竞争激烈的对象
175 0
【论文阅读及复现】(2017)Densely Connected Convolutional Networks + Pytorch代码实现
|
机器学习/深度学习 TensorFlow 算法框架/工具
DenseNet:Densely Connected Convolutional Networks--CVPR2017最佳论文奖
DenseNet:以前馈方式将每一层连接到其他每一层。对于具有L层的传统卷积网络有L个连接(每一层与其后续层之间有一个连接),而DenseNet有$\frac{L(L+1)}{2}$个连接。
155 0
DenseNet:Densely Connected Convolutional Networks--CVPR2017最佳论文奖
|
机器学习/深度学习 人工智能 编解码
Computer Vision 杂志对何恺明 Rethinking ImageNet Pre-training 的最新评论
恺明大帝出品,必属精品!预训练+调优的训练范式将被终结?
589 0
|
机器学习/深度学习 人工智能 算法
NIPS2018最佳论文解读:Neural Ordinary Differential Equations
论文提出了一种非常新颖有趣的神经网络思维方法,有人认为这可能是一篇开启深度学习新进化的里程碑式论文~
1009 0
|
机器学习/深度学习 自然语言处理
|
机器学习/深度学习 人工智能 计算机视觉
|
机器学习/深度学习 算法 关系型数据库
论文札记之 - Generative Adversarial Nets
值此岁末之际,又逢DL浪潮之巅,深觉应该整理下看过的一些 papers,写写自己粗鄙的见解,第一篇就从目前热门的 GAN 开始吧摘要    GAN 是一个框架 ,有两个 model,一个是用于刻画数据分布的生成式模型 G ; 另一个是判别模型 D ,用于判断数据是从 G 生成的还是从训练样本中采样的。理所应当的, G 模型要让 D 模型相信数据是从自身产生的,因此目标
2200 0