csu1979古怪的行列式(还有这种操作)

Description

这几天,子浩君潜心研究线性代数。 行列式的值定义如下:

DET 其中,τ(j1j2...jn)为排列j1j2...jn的逆序数。

子浩君很厉害的,但是头脑经常短路,所以他会按照行列式值的定义去计算,这个行列式子浩君也还是能算对的。但是,在计算的过程中,如果出现连续三行选取的元素为83(S),83(S),82(R)的话,子浩君会忍不住拿走它们:-D,然后这三个数的乘积将被视为1,而其它数值计算不变。那么在子浩君的计算下,最后得到的行列式的值会为多少呢?

Input

数据第一行为一个整数T(T<=50)。 接下来有T组测试数据,每组数据开始有一个整数n(2<=n<=8)。 接下来有n行数字,每行有n个数字,第ith行第jth个数字代表矩阵的第ith行第jth列的数字,保证每个数字在int范围内的非负整数。

Output

输出一个整数,保证在[-(2^63-1), 2^63-1]范围内,即使在子浩君计算过程中也是。

Sample Input

4

2
1 1
0 1

3
83 1 1
0 83 1
0 0 82

3
83 1 1
0 82 1
0 0 83

3
83 1 1
0 83 1
0 1 82

Sample Output

1
1
564898
-82

Hint

例如,当子浩君遇到a11 * a22 * a33 * a44 = 83 * 83 * 82 * 1,会计算成1 * 1 = 1,而83 * 82 * 83 * 1或者83 * 83 * 1 * 82则不会改变运算规则

一开始想着用dfs做,结果一直wa(逆序数定义记不清了我也很绝望)

后来结果大佬指点,了解到一种新的操作 叫next_permutation  详细请看 这个大佬的博客 http://www.cnblogs.com/kuangbin/archive/2012/03/30/2424482.html

总之就是可以持续生成新的排列组合,而我们的行列式本来就是一层层取的,所以对应起来十分方便


代码:

#include<iostream>
#include<algorithm>
using namespace std;
long long nmap[10][10];  //nmap[行][列]
int posi[10];          //代表哪一列
int N;
void init()
{
    for(int i=1;i<=N;i++)
        for(int j=1;j<=N;j++)
            cin>>nmap[i][j];
    for(int i=1;i<=N;i++)
        posi[i]=i;             //因为要得到所有的排列组合,所以一开始得是排序好了的
}
int main()
{
    int T;
    long long sum;
    cin>>T;
    while(T--)
    {
        cin>>N;
        init();
        sum=0;
        do
        {
            long long ans=1;
            int ni=0;int po=1;
            for(int i=1;i<=N;i++)
                for(int j=i+1;j<=N;j++)
                if(posi[i]>posi[j])      //获得逆序数
                ni++;
            if(ni%2)      //逆序数不为偶,那整个行列式就是负的
                po=-1;
            for(int i=1;i<=N;i++)
            {
                if(nmap[i][posi[i]]==82&&nmap[i-1][posi[i-1]]==83&&nmap[i-2][posi[i-2]]==83)
                    ans/=6889;         //这里检查一下前两个数是否为条件限制
                else
                    ans*=nmap[i][posi[i]];
            }
            ans*=po;
            sum+=ans;
        }while(next_permutation(posi+1,posi+N+1));   //愉快的获得下一组排列
        cout<<sum<<endl;
    }
    return 0;
}




深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值