Merge pull request #64 from zaqquum/main

Hongjoo/9월 4주차 /2문제

Author: zaqquum

Hongjoo/백준/병사배치하기.py

@@ -0,0 +1,27 @@
+'''
+조건 
+1. 전투력 -> 내림차순 부분수열
+2. 남은 병사들의 수가 최대  = 열외 병사수 최소 
+# LIS  , Dynamic 
+goal : 남은 병사들의 수가 최대 , 열외하는 병사 수 출력  
+'''
+import sys
+
+nums =int(sys.stdin.readline()) # 수열 길이 
+soldiers =list( map(int,sys.stdin.readline().split())) # 주어진 수열 
+
+# DP 테이블 = 1 로 초기화
+dp= [ 1 for _ in range(nums)] 
+
+# 순서를 뒤집어서 'LIS - 최장 증가 부분 수열' 문제로 변환
+soldiers.reverse() # goal : 내림차순 -> 오름차순
+
+# 가장 긴 오른차순 부분 수열 (LIS) 알고리즘 수행 
+
+for i in range(1, len(soldiers)) :
+    for j in range(0,i) :
+        if soldiers[j] < soldiers[i] : # 오름차순 만족 
+            dp[i] = max(dp[j]+1 , dp[i]) # i번 병사가 열외 x , 열외 o
+
+# 열외하는 병사 최소 수
+print(nums - max(dp))

Hongjoo/백준/퇴사.py

@@ -0,0 +1,78 @@
+"""
+#dp : 1, 중복 , 최적 부분  -> memorize 
+goal :최대 이익 
+input : time , price , 0 
+
+#1. 역순으로 N ~ 1 (퇴사일 N+1)
+for i in range(N , 0 , -1)
+#2-1 상담 가능 여부 (1)
+if i + T_i <= N 이면 -> 가능
+if not -> false (0) 
+
+# 2-2 최대 효율
+리스트 dp :  
+dp[i] = 현재 price + 바로 담 상담 price VS 내일 상담 price
+dp[i] = max(P[i] + dp[i+T_i] , P[i+1])
+"""
+
+
+
+import sys
+n = int(sys.stdin.readline())
+schedules = [[]]
+for i in range(n) :
+    t , p = map(int , sys.stdin.readline().split())
+    schedules.append([t,p])
+
+check = 0
+
+dp = [0 for _ in range(n+2)]
+
+for d in range(n ,0, -1 ) :
+    t_i , p_i  = schedules[d]
+    #1. 상담 가능여부
+    if d + t_i  >  n+1 : # 상담 불가능
+        dp[d] = dp[d+1]
+    else : #상담 가능
+        dp[d] = max(p_i + dp[d + t_i] , dp[d+1] ) 
+        
+print(dp[1])
+
+
+def train_epoch_boosting(self, model, previous_model = None):
+        '''
+        부스팅을 적용한 학습 (1 에폭)
+        '''
+        model.train()
+        total_loss = 0.0
+        acc_cum = 0
+        progress_bar = tqdm(self.train_loader, desc='Training with Boosting')
+        print(len(self.models), 'Exists' if previous_model is not None else 'None') # 나중에 지울 부분
+        for i,(images, targets) in enumerate(progress_bar):
+            images, targets = images.to(self.device), targets.to(self.device)
+            self.optimizer.zero_grad()
+            
+            # 현재 모델 예측
+            print(f"Image.shape: {images.shape}")
+            print(f"targets.shape: {targets.shape}")
+            outputs = model(images)
+            acc_cum += self.accuracy(outputs, targets)
+            # 틀린 예측에 대한 가중치 적용wh
+            if previous_model is not None: # 이전 모델이 존재하는 경우. 즉, Base 모델이 아닌 경우에 대해서만 Penalty 계산 후, 적용
+                previous_model.eval()
+                with torch.no_grad():
+                    prev_outputs = previous_model(images)
+                    print('이전 모델의 정확도:',self.accuracy(prev_outputs, targets))
+                    print('현재 모델의 정확도:', self.accuracy(outputs, targets))
+                # penalty_weights = self.boost_weights(prev_outputs, targets)
+                loss = self.loss_fn(outputs, targets) # * penalty_weights.to(self.device)
+                # loss = loss.mean()
+            else:
+                loss = self.loss_fn(outputs, targets)
+                    
+            
+            loss.backward()
+            self.optimizer.step()
+            self.scheduler.step()
+            total_loss += loss.item()
+            progress_bar.set_postfix(loss=loss.item(), acc = acc_cum / (i+1))