2018吉林信息学冬令营Day4

上午讲课实况:各种数论

125!!!历史新高。。。

似乎很正常的样子

先T1

求C(m,n)。
肯定不是暴力啊。。。
还是写个暴力吧打表找规律啊。。。
先打个5*5吧
如图
m\n12345
112345
2013610
3001410
400015
500001
所以。。。我发现规律了

C(m,n)=C(m-1,n-1)+C(m-1,n)

规律有了,递推啊、、、
然后发现20000的数据范围炸空间啊、、、
卧槽咋办啊
然后:
我发现个问题啊
求第二列需要第一列
求第三列需要第二列,第一列没用啊
卧槽
俩数组,20000的,丫的再爆空间。。。
好了俩数组来回倒妥了!
开开心心写了半个小时,看了下极限数据差不多能多;
然后就扔下了

然后T2


求满足1/N!=1/X+1/Y的(X,Y)。
依然打表
没规律
然后我就想:
x和y肯定比N!大好多啊!
所以设a=n!,x=a+b,y=a+c
所以1/a=1/(a+b)+1/(a+c)
所以1/a=(2a+b+c)/((a+b)*(a+c))
交叉相乘得a^2=b*c
所以这道题目便是求n!平方的约数个数的问题了。
求n!的约数个数可以使用分解质因数去解决。
求质因数咋求来着
我写过博客:求阶乘末尾零的个数,那不就是求5的个数吗
质数的个数不就都可以这么求吗
卧槽好像没毛病啊
写吧。。。写了一个小时过样例
成功。
就扔下拉

最后T3

题目大意:
f(1) = 1,f(2) = 1,f(n) = (A * f(n - 1) + B * f(n - 2)) mod 7
给N求f(N)。
a和b得1的时候不就是斐波那契吗
这玩意模7???打表啊。。。
打了半天发现不是7出循环就是49
我c那就49了
写啊
写啊
写啊
写了好久
卧槽我AK了???
颓。。。颓到结束。。。
然而还是有大坑。。。

总结与反思

100+0+25
我看成绩单:
卧槽第一题AC
卧槽第二题0分
啊没开long long
卧槽第三题25???
啊还有42环的
没人AK???
T3正解:裸矩阵乘法!!!!!!!
卧槽。。。
第一题正解预处理1~2000的逆元,使用lucas定理把缩小至9901以内,再计算。
还是打表大法好。。。

代码

放第一题AC代码
#include <cstdio>
using namespace std;
const int MOD=9901;
int a[20005]={0,1};
int b[20005];
int main()
{
	freopen("comb.in","r",stdin);
	freopen("comb.out","w",stdout);
	int n,m,line=1;
	scanf("%d%d",&n,&m);
	for(int i=2;i<=n;i++)
	{
		line=i%2;
		if(line==0)
		{
			b[1]=i;
			for(int j=2;j<=m;j++)
			{
				b[j]=(a[j]+a[j-1])%MOD;
			}
			line=1;
		}
		if(line==1)
		{
			a[1]=i;
			for(int j=2;j<=m;j++)
			{
				a[j]=(b[j]+b[j-1])%MOD;
			}
			line=0;
		}
	}
	if(n%2==1)
	{
		printf("%d",a[m]);
	}
	else
		printf("%d",b[m]);
	return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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