当前位置: 首页 > news >正文

3.24 OJ

矩形面积交

作者: Turbo

时间限制: 1s

章节: 基本练习

问题描述

平面上有两个矩形,它们的边平行于直角坐标系的X轴或Y轴。对于每个矩形,我们给出它的一对相对顶点的坐标,请你编程算出两个矩形的交的面积。

输入说明

输入仅包含两行,每行描述一个矩形。
在每行中,给出矩形的一对相对顶点的坐标,每个点的坐标都用两个绝对值不超过10^7的实数表示。

输出说明

输出仅包含一个实数,为交的面积,保留到小数后两位。

#include <bits/stdc++.h> using namespace std; int main() { double x1,y1,x2,y2; double a1,b1,a2,b2; cin >> x1 >> y1 >> x2 >> y2; cin >> a1 >> b1 >> a2 >> b2; // 规范矩形1 double l1 = min(x1, x2); double r1 = max(x1, x2); double b1_ = min(y1, y2); double t1 = max(y1, y2); // 规范矩形2 double l2 = min(a1, a2); double r2 = max(a1, a2); double b2_ = min(b1, b2); double t2 = max(b1, b2); // 交集宽高 double width = min(r1, r2) - max(l1, l2); double height = min(t1, t2) - max(b1_, b2_); // 防止负数 width = max(0.0, width); height = max(0.0, height); double area = width * height; cout << fixed << setprecision(2) << area; return 0; }

总结:就是找长度之间的交集 因为一定相交其实就两个情况一个是包含一个不包含 用max和min模拟两个逻辑

翻译:

Multimodallearning is an important research direction in artificial intelligence, aiming to enable models to process different types of data such as text, images, and speech simultaneously. In the real world, humans obtain information through multiple senses, so data from a singlemodalityoften cannot fully represent complex scenarios. Multimodal learning integrates information from differentmodalities, allowing models to gain a more comprehensive understanding. For example, in imagecaptioningtasks, a model must understand visual content and generate correspondingtextualdescriptions. With the advancement of deep learning technologies, multimodal models have achieved significant progress in areas such as visual question answering, cross-modal retrieval, and intelligent assistants.

多模态学习是人工智能的重要研究方向,旨在让模型能够同时处理文本、图像、语音等不同类型的数据。在现实世界中,人类通过多种感官获取信息,因此单一模态的数据往往无法完整表征复杂场景。多模态学习通过融合不同模态的信息,使模型获得更全面的认知。例如在图像描述生成任务中,模型既要理解视觉内容,又要生成对应的文字描述。随着深度学习技术的发展,多模态模型在视觉问答、跨模态检索、智能助手等领域取得了显著进展。

http://www.jsqmd.com/news/531930/

相关文章:

  • Tinkercad对齐工具保姆级教程:从‘切线关系’到‘临时分组’,手把手教你搭建城堡模型
  • RuoYi-Vue-Plus:重构企业开发模式的全栈解决方案
  • Super Qwen Voice World实战教程:Markdown表格整理4大关卡提示词模板
  • 读2025世界前沿技术发展报告22航空技术发展
  • PyCharm Terminal卡死?可能是Windows中文用户名惹的祸(附完整修复指南)
  • Attention机制在NLP中的前世今生:从Seq2Seq到Transformer的进化之路
  • Silk v3音频解码器:解锁微信QQ语音文件的多平台播放方案
  • StructBERT文本相似度模型自动化测试:基于Selenium的WebUI功能与性能测试
  • 幻境·流金i2L技术解析:15步采样如何实现电影级画质还原
  • SpringBoot整合国密SM4完整指南:从注解开发到Base64存储优化
  • 3个强力步骤:Claude 3.7与Big-AGI集成完全掌握指南
  • 2026工业电磁流量计专业厂家推荐指南:投入式液位计/插入式密度计/智能变送器/智能电磁流量计/检测密度计/水位液位计/选择指南 - 优质品牌商家
  • 从本地开发到 PyPI发布:WeClaw 的 Python 包标准化之旅
  • yuzu模拟器深度优化指南:从故障诊断到性能调优的系统化方案
  • 多行业优质干燥剂生产厂家推荐榜:霉克星防霉片/食品干燥剂/香包干燥剂/香型干燥剂/黑色防霉片/MSW防霉片/威克防霉片/选择指南 - 优质品牌商家
  • 企业级RAG权限控制:WeKnora如何实现多租户文档安全与智能检索
  • 突破硬字幕提取困境:Video-Subtitle-Extractor如何实现本地化AI精准识别
  • Qwen3-Embedding-4B开发指南:Python调用embedding接口代码实例
  • 自动驾驶和机器人眼中的点云:特征描述如何帮它们‘看懂’世界?
  • 知识获取自由:开源内容访问工具全攻略
  • 前端安全攻防实战:从OB混淆到控制流平坦化,我是如何逆向分析一个网站的反调试机制的
  • 全球植被与碳循环模型 VEGAS 概述
  • STANet实战:用Python+PyTorch搭建遥感图像变化检测模型(附完整代码)
  • Conda环境变量引发的CPU异常?手把手教你排查与修复(附详细步骤)
  • Matlab函数filter实战:从基础滤波到多维数据处理
  • Nunchaku FLUX.1-dev文生图实战:手把手教你生成第一张AI图片
  • 敏捷开发实战:如何用Scrum在2周内完成高质量Sprint?附真实团队避坑经验
  • Arcgis Pro 3.0.0界面窗格丢失?3种快速恢复方法(附图文步骤)
  • vLLM-v0.17.1部署教程:vLLM与Docker Compose集成多模型服务编排
  • 圣女司幼幽-造相Z-Turbo入门必看:如何通过Xinference API对接自有前端应用