nyoj301递推求值【矩阵快速幂】

递推求值

时间限制: 1000 ms  |  内存限制: 65535 KB
难度: 4
描述

给你一个递推公式:

f(x)=a*f(x-2)+b*f(x-1)+c

并给你f(1),f(2)的值,请求出f(n)的值,由于f(n)的值可能过大,求出f(n)对1000007取模后的值。

注意:-1对3取模后等于2

输入
第一行是一个整数T,表示测试数据的组数(T<=10000)
随后每行有六个整数,分别表示f(1),f(2),a,b,c,n的值。
其中0<=f(1),f(2)<100,-100<=a,b,c<=100,1<=n<=100000000 (10^9)
输出
输出f(n)对1000007取模后的值
样例输入
2
1 1 1 1 0 5
1 1 -1 -10 -100 3
样例输出
5
999896
题目本身很简单就是一个矩阵快速幂但取模有点坑
 
#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<algorithm>
#include<cmath>
#define MOD 1000007
using namespace std;
long long mar[3][3];
long long ans[3][3];
void Mulit(long long A[3][3],long long B[3][3]){
	long long D[3][3]={0};
	for(int i=0;i<3;++i){
		for(int k=0;k<3;++k){
			if(A[i][k]){
				for(int j=0;j<3;++j){
					D[i][j]=(D[i][j]+A[i][k]*B[k][j])%MOD;
				}
			}
		}
	}
	for(int i=0;i<3;++i){
		for(int j=0;j<3;++j){
			A[i][j]=D[i][j];
		}
	}
}
void Martix(long long A[3][3],long long k){
	memset(ans,0,sizeof(ans));
	for(int i=0;i<3;++i){
		for(int j=0;j<3;++j){
			ans[i][j]=(i==j);
		}
	}
	while(k){
		if(k&1)Mulit(ans,A);
		Mulit(A,A);
		k>>=1;
	}
}
int main()
{
	int t,i,j,k;
	long long f1,f2,a,b,c,n;
	scanf("%d",&t);
	while(t--){
		scanf("%lld%lld%lld%lld%lld%lld",&f1,&f2,&a,&b,&c,&n);
		if(n==1){
			printf("%lld\n",((f1+MOD)%MOD+MOD)%MOD);
		}
		else if(n==2){
			printf("%lld\n",((f2+MOD)%MOD+MOD)%MOD);
		}
		else {
			mar[0][0]=b;mar[0][1]=1;mar[0][2]=0;
			mar[1][0]=a;mar[1][1]=0;mar[1][2]=0;
			mar[2][0]=1;mar[2][1]=0;mar[2][2]=1;
			Martix(mar,n-2);
			printf("%lld\n",((f2*ans[0][0]+f1*ans[1][0]+c*ans[2][0])%MOD+MOD)%MOD);
		}
	}
	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