【矩阵快速幂+矩阵运算性质】Fast Matrix Calculation HDU - 4965

Think:
1知识点:矩阵快速幂+矩阵运算性质
2题意:多组测试数据,每组测试数据先输入n, m,然后分别输入一个n*m的矩阵A和一个m*n的矩阵B,运算步骤如下:
(1):先计算C = A*B;
(2):在计算M = C^(n*n);
(3):M(i, j) = M(i, j) % 6;
(4):sum += M(i, j);
注:
(1):n:[4, 1000],m:[2,6];
(2):A(i, j):[0, 5], B(i, j):[0, 5];
3题意分析:
(1):直接用矩阵快速幂求解(A*B)^(n*n)会超时,且无法直接在函数间传递——编译窗口会显示:Segmentation fault (core dumped)
(2):将(A*B)^(n*n)转化为A*(B*A)^(n-1)*A,进而通过矩阵快速幂求解
注:
(1):A*B:n*n【1000*1000】
(2):B*A:m*m【6*6】
4反思:
(1):数组越界

vjudge题目链接

以下为Runtime Error(ACCESS_VIOLATION)代码——数组越界

#include <cstdio>
#include <cstring>
#include <algorithm>

using namespace std;

const int mod = 6;

struct Matrix{
    int v[14][14];
};

Matrix multiply(Matrix a, Matrix b, int Matrix_len);
Matrix matrix_pow(Matrix x, int k, int Matrix_len);

int rec1[1004][14], rec2[14][1004];

int main(){
    int n, m, i, j, k;
    while(~scanf("%d %d", &n, &m) && (n || m)){
        for(i = 1; i <= n; i++){
            for(j = 1; j <= m; j++){
                scanf("%d", &rec1[i][j]);
            }
        }
        for(i = 1; i <= m; i++){
            for(j = 1; j <= n; j++){
                scanf("%d", &rec2[i][j]);
            }
        }
        Matrix ba;
        memset(ba.v, 0, sizeof(ba.v));
        for(i = 1; i <= m; i++){
            for(j = 1; j <= m; j++){
                for(k = 1; k <= n; k++){
                    ba.v[i][j] += (rec2[i][k]*rec1[k][j]);
                    ba.v[i][j] %= mod;
                }
            }
        }
        Matrix y = matrix_pow(ba, n*n-1, m);
        Matrix t1, t2;
        memset(t1.v, 0, sizeof(t1.v));
        memset(t2.v, 0, sizeof(t2.v));
        for(int i = 1; i <= n; i++){
            for(int j = 1; j <= m; j++){
                for(int k = 1; k <= m; k++){
                    t1.v[i][j] += (rec1[i][k]*y.v[k][j]);
                    t1.v[i][j] %= mod;
                }
            }
        }
        int sum = 0;
        for(int i = 1; i <= n; i++){
            for(int j = 1; j <= n; j++){
                for(int k = 1; k <= m; k++){
                    t2.v[i][j] += (t1.v[i][k]*rec2[k][j]);
                    t2.v[i][j] %= mod;
                }
                sum += t2.v[i][j];
            }
        }
        printf("%d\n", sum);
    }
    return 0;
}
Matrix multiply(Matrix a, Matrix b, int Matrix_len){
    Matrix c;
    memset(c.v, 0, sizeof(c.v));
    for(int i = 1; i <= Matrix_len; i++){
        for(int j = 1; j <= Matrix_len; j++){
            for(int k = 1; k <= Matrix_len; k++){
                c.v[i][j] += (a.v[i][k]*b.v[k][j]);
                c.v[i][j] %= mod;
            }
        }
    }
    return c;
}
Matrix matrix_pow(Matrix x, int k, int Matrix_len){
    Matrix ans;
    memset(ans.v, 0, sizeof(ans.v));
    for(int i = 1; i <= Matrix_len; i++)
        ans.v[i][i] = 1;
    while(k){
        if(k & 1)
            ans = multiply(ans, x, Matrix_len);
        x = multiply(x, x, Matrix_len);
        k >>= 1;
    }
    return ans;
}

以下为Accepted代码

#include <cstdio>
#include <cstring>
#include <algorithm>

using namespace std;

const int mod = 6;

struct Matrix{
    int v[14][14];
};

Matrix multiply(Matrix a, Matrix b, int Matrix_len);
Matrix matrix_pow(Matrix x, int k, int Matrix_len);

int rec1[1004][14], rec2[14][1004], ans1[1004][1004], ans2[1004][1004];

int main(){
    int n, m, i, j, k;
    while(~scanf("%d %d", &n, &m) && (n || m)){
        for(i = 1; i <= n; i++){
            for(j = 1; j <= m; j++){
                scanf("%d", &rec1[i][j]);
            }
        }
        for(i = 1; i <= m; i++){
            for(j = 1; j <= n; j++){
                scanf("%d", &rec2[i][j]);
            }
        }
        Matrix ba;
        memset(ba.v, 0, sizeof(ba.v));
        for(i = 1; i <= m; i++){
            for(j = 1; j <= m; j++){
                for(k = 1; k <= n; k++){
                    ba.v[i][j] += (rec2[i][k]*rec1[k][j]);
                    ba.v[i][j] %= mod;
                }
            }
        }
        Matrix y = matrix_pow(ba, n*n-1, m);

        memset(ans1, 0, sizeof(ans1));
        memset(ans2, 0, sizeof(ans2));
        for(int i = 1; i <= n; i++){
            for(int j = 1; j <= m; j++){
                for(int k = 1; k <= m; k++){
                    ans1[i][j] += (rec1[i][k]*y.v[k][j]);
                    ans1[i][j] %= mod;
                }
            }
        }
        int sum = 0;
        for(int i = 1; i <= n; i++){
            for(int j = 1; j <= n; j++){
                for(int k = 1; k <= m; k++){
                    ans2[i][j] += (ans1[i][k]*rec2[k][j]);
                    ans2[i][j] %= mod;
                }
                sum += ans2[i][j];
            }
        }
        printf("%d\n", sum);
    }
    return 0;
}
Matrix multiply(Matrix a, Matrix b, int Matrix_len){
    Matrix c;
    memset(c.v, 0, sizeof(c.v));
    for(int i = 1; i <= Matrix_len; i++){
        for(int j = 1; j <= Matrix_len; j++){
            for(int k = 1; k <= Matrix_len; k++){
                c.v[i][j] += (a.v[i][k]*b.v[k][j]);
                c.v[i][j] %= mod;
            }
        }
    }
    return c;
}
Matrix matrix_pow(Matrix x, int k, int Matrix_len){
    Matrix ans;
    memset(ans.v, 0, sizeof(ans.v));
    for(int i = 1; i <= Matrix_len; i++)
        ans.v[i][i] = 1;
    while(k){
        if(k & 1)
            ans = multiply(ans, x, Matrix_len);
        x = multiply(x, x, Matrix_len);
        k >>= 1;
    }
    return ans;
}
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