HNUST--模的和

     这是14年湖南科技大学校赛水题~~幸好之前做过类似的题目,发现会TLE后,就立马找规律

                                                                            模的和

分析:1.看到n的取值和测试数据的数目,一看就知道普通模拟是会TLE的;

           2.一般来说,和求模有关的题目,一般都是很有规律性的,这不,果断打表试了下,果然不出所料

          3.由下表的数据可以发现,后面由一系列的等差数列组成,前面的不怎么明显,把主要的等差数列的区间写出来,发现起点和  n/(i+1)+1  相等,而且大概当起点为SQRT(N)左右的时候,等差并不是很明显了,不过这个时候剩下的数据很少了,直接模拟相加就行!

代码

#include
   
   
    
    
#include
    
    
     
     
#include
     
     
      
      
#define N 1000000007
typedef long long ll;
using namespace std;
ll sum;
int main()
{
    ll n,i,st,ed,cnt;
    while(scanf("%I64d",&n)!=EOF){
        if(n<=0) break;
        sum=0;ed=n+1;
        for(i=1;i<=sqrt(n);i++){
            if(n/i>sqrt(n)){    //大于  SQRT(N)的数列比较长,求起来方便不会出错
                st=n/(i+1)+1;   //等差数列的起点
                cnt=ed-st;      //数列中的元素个数
             //   printf("st==%I64d  ed==%I64d  cnt == %I64d\n",st,ed,cnt);
                sum+=cnt*(n%st+n%(ed-1))/2; //等差数列求和
                ed=st;  //更新等差数列的末端
            }
             sum+=n%i;  //无规律的前面几项的和
        }
        printf("%I64d\n",sum%N);
    }
    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式识别。深度学习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,用于防止型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的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、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