#include <iostream>
using namespace std;
int main()
{
int i =0;
for (i=0;i<20;i++)
{
switch(i)
{
case 0:
i+=5;
cout<< i<<" ";
case 1:
i+=2;
cout<< i<<" ";
case 5:
i+=5;
cout<< i<<" ";
default:
i+=4;
cout<< i<<" ";
break;
}
cout<< i<<" ";
}
return 0;
}
//ans: 5 7 12 16 16 21 21
graph = {
'A':['B','C'],
'B':['D','E'],
'C':['E'],
'D':['F'],
'E':['F'],
'F':[]
}
visited = set()
visiteds = []
def dfs(graph,visited,node):
visiteds.append(node)
if node not in visited:
visited.add(node)
print(node,end=' ')
for neighbor in graph[node]:
dfs(graph,visited,neighbor)
dfs(graph,visited,'A')
print(visiteds)
dag = set([i for i in visiteds if visiteds.count(i)>1])
print(dag)
def dist(a,b,c,d):
over = 0
if b>=d>=a>=c: over=d-a
elif d>=b>=a>=c : over = b-a
elif b>=d>=c>=a : over = d-c
elif d>=b>=c>=a:over = b-c
else : over=0
return over
x1,y1,w1,h1 = map(int,input().strip().split())
x2,y2,w2,h2 = map(int,input().strip().split())
xdist = dist(x1,x1+w1,x2,x2+w2)
ydist = dist(y1,y1+h1,y2,y2+h2)
area = xdist*ydist
print(area)
人工智慧
讓機器具有如同人類的思辨能力
能夠達成人工智慧的方法，透過與人類相似的學習方法，訓練機器進行資料分類、處理與預測
代表實現機器學習的技術，深層、多層類神經網路。
鑑別網路（Discriminating Network）
生成網路（Generative Network）
透過兩者相互對抗產生結果是其深度學習的運作原理。
GAN是一場鑑定師與仿畫家的比賽，仿畫家畫出假畫讓鑑定師評斷有多接近真品，根據評斷結果再繼續畫出比原本更好的作品，鑑定師也會透過不斷練習提升鑑定水準，最後結果就是一幅幾可亂真的機器畫。
適合處理空間資料
擅長處理時間序列與語意結構判斷
Facebook的AI研究院長楊立昆（Yann LeCun）
對抗訓練是有史以來最酷的技術（Adversarial training is the
coolest thing since sliced bread），對於GAN他也說：「它為創建無監督學習模型提供了強有力的算法框架，有望幫助我們為AI加入常識（common sense）
GAN應用在生成資料方面，如圖像與影音的生成、合成、辨識、修復等等，
進階則是輸入文本描述便能生成與形容相符的圖像，或者透過語言模型實現機器翻譯等。
Nvidia公司的GAN則是將白天的街景轉為夜晚，作為自動駕駛車輛的訓練樣本，解決夜晚圖像資料不足的問題。
GAN在未來依舊可能真正實現「完全不靠人類就能自主學習的AI」
1.
非監督式學習的一種方法
2.
讓兩個神經網路相互博弈的方式進行學習。
3.
由一個生成網絡與一個判別網絡組成。
4.
從潛在空間（latent space）中隨機取樣作為輸入，其輸出結果需要盡量模仿訓練集中的真實樣本。
5.
判別網絡的輸入則為真實樣本或生成網絡的輸出，其目的是將生成網絡的輸出從真實樣本中盡可能分辨出來。
6.
而生成網絡則要盡可能地欺騙判別網絡。
7.
兩個網絡相互對抗、不斷調整參數，最終目的是使判別網絡無法判斷生成網絡的輸出結果是否真實。
資料來源：
2.
https://zh.wikipedia.org/zh-tw/%E7%94%9F%E6%88%90%E5%AF%B9%E6%8A%97%E7%BD%91%E7%BB%9C
s = 'abcdeckba'
# test5
s = 'abcdeckba'
