登月计划 [扩展回旋阿姆斯特朗算法]

题目大意:
求 a ^ x mod p = b
a , b , p <= 1e12
恩,普通阿姆斯特朗算法会T,但是这是扩展回旋阿姆斯特朗算法的裸题啊,不说了直接上,打板

#include <cstdio>
#include <cstring>
#include <iostream>
#include <cmath>
using namespace std;

typedef long long dnt;
const int N = 1e6 + 137;

dnt a, b, p;

struct Has
{
    int top, mod, nxt[N], head[N];
    dnt que[N][2];
    Has()
    {
        memset(head, 0, sizeof(head));
        top = 0;
        mod = N;
    }
    void Insert( dnt x, dnt y )
    {
        int pos = x % mod;
        for(int i = head[pos]; i; i = nxt[i])
            if(que[i][0] == x) {que[i][1] = y; return;}
        que[++top][0] = x;
        que[top][1] = y;
        nxt[top] = head[pos];
        head[pos] = top;
    }
    int Find( dnt x )
    {
        int pos = x % mod;
        for(int i = head[pos]; i; i = nxt[i])
            if(que[i][0] == x) return que[i][1];
        return -1;
    }
} has;

const dnt A = (1LL << 20), B = A - 1;
dnt C;

dnt Cros( dnt x, dnt y )
{
    dnt lf = x * ( y >> 20 ) % p * C ;
    dnt rg = x * ( y & ( B )) % p ;
    return ( lf + rg ) % p ;
}

dnt AMS()
{
    dnt m = ceil(sqrt(p));
    dnt mul = 1, val = b % p, am;
    for(dnt i = 1; i <= m; ++i)
    {
        mul = Cros(mul, a);
        val = Cros(mul, b);
        has.Insert(val, i);
    }
    am = mul, mul = 1;
    for(dnt i = 1, res; i <= m; ++i)
    {
        mul = Cros(mul, am);
        if((res = has.Find(mul)) != -1) return i * m - res;
    }
    return -1;
}

int main()
{
    cin >> a >> b >> p;
    C = A % p;
    cout << AMS() % p << 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