ST03Day8 多项式与生成函数

正题

      多项式的大部分知识,都可以在我的另一篇Blog学到,在这里只做总结性归纳。

       多项式

      第一个拓展的知识就是:

      相信讲的很清楚。

      大部分的式子都可以直接用牛顿迭代法来推得:

      不会泰勒展开就不要看了,到第4个点还是很显然的。

       第5个点可以这样推出:因为f-f_0\equiv 0 (\mod x^n),所以(f-f_0)^2\equiv 0 (\mod x^{2n})

       所以后面的项在mod x^{2n}意义下就为0,然后前面的项移一下项就可以推得f是这个东西。

       比如说求逆就可以这样推得:

      这里f的逆可以直接取g_0是因为f*g_0-1的前n项都为0,此时,乘上一个第n位后面的数显然没有贡献,所以只用取f的逆的前n位,也就是g_0。时间复杂度可以根据主定理算得nlogn

       开方也可以这样算,相当于构造多项式函数h(g)=g^2-f,然后牛顿迭代找零点就可以。

       当然也可以直接ln,exp,转化成 1/2次方。

       ln,exp的求法也是很显然的。


       

        剩下的取模,多点插值,多点求值可以参见上面的Blog。

        生成函数

      生成函数之前也写了一篇Blog,现在增加一些概念:

      我们考虑对于一个EGF来说,它的exp相当于啥? 相当于每一个EGF都代表了一种有标号的方案,每次合并两个f我们就将这些方案之间保序重标号,发现要/i!,所以这还相当于去掉重复的方案,理解不了可以考虑保序重标号之后相当于给一个序列染色,然后将每种颜色对应点数的方案数乘起来,除掉i!,相当于这些集合之间去标号。具体应用可以考虑n个节点的无向连通图。

      

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