【 2017 ACM-ICPC 亚洲区(西安赛区)网络赛】 F. Trig Function

f(cos(x))=cos(nx) holds for all x.

Given two integers n and m, you need to calculate the coefficient of x^m in f(x), modulo 998244353.

Input Format

Multiple test cases (no more than 100).

Each test case contains one line consisting of two integers n and m.

1n10^9,0m10^4.

Output Format

Output the answer in a single line for each test case.

样例输入
2 0
2 1
2 2
样例输出
998244352
0
2


#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>
#include <map>
#include <string>
#include <cstring>
#include <ctime>
#define ms(a,b) memset(a,b,sizeof(a))
using namespace std;
typedef long long ll;
const long long M = 998244353;


ll powmod(ll a, ll b, ll p)
{
    ll res = 1;
    while (b != 0)
    {
        if (b & 1)
        {
            res = (res * a) % p;
        }
        a = (a * a) % p;
        b >>= 1;
    }
    return res;
}
ll comb(ll a, ll b, ll p)
{
    if (a < b)
    {
        return 0;
    }
    if (a == b)
    {
        return 1;
    }
    if (b > a - b)
    {
        b = a - b;
    }

    ll ans = 1, ca = 1, cb = 1;
    for (ll i = 0; i < b; ++i)
    {
        ca = (ca * (a - i)) % p;
        cb = (cb * (b - i)) % p;
    }
    ans = (ca * powmod(cb, p - 2, p)) % p;
    return ans;
}
ll Lucas(int n, int m, int p)
{
    ll ans = 1;

    while (n && m && ans)
    {
        ans = (ans * comb(n % p, m % p, p)) % p;
        n /= p;
        m /= p;
    }
    return ans;
}
int main()
{
    std::ios::sync_with_stdio(false);
    ll n, m;
    while (cin >> n >> m)
    {
        if (n - m < 0 || (n - m) % 2 != 0)
        {
            cout << 0 << endl;
            continue;
        }

        ll k = (n - m) / 2;
        ll ans = 0;
        if (k % 2 == 0)
        {
            ans = (n * Lucas(n - k, k, M) % M * powmod(2, m, M) % M * powmod(n + m, M - 2, M) ) % M;
            cout << ans << endl;
        }
        else
        {
            ans = (-n * Lucas(n - k, k, M) % M * powmod(2, m, M) % M * powmod(n + m, M - 2, M)) % M;
            cout << (ans + M) % M << 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