BZOJ 2553: [BeiJing2011]禁忌

4 篇文章 0 订阅
4 篇文章 0 订阅

一开始以为期望好难啊QAQ
然后瞄了一下题解发现并不难? 1A 很舒服

建出自动机之后当然是用自动机节点来进行矩乘
算一下两点间转移概率什么的就好

为了统计答案 我们就弄多一个点 o=tot+1 设p=1/alphabet
转移到的点如果已经是终点了 就让他 连向o概率+=p 连向根的也+=p
然后a[o][o]=1来统计答案就好

还是不太懂就看代码吧~
我的代码简直就是好看啊2333

#include<bits/stdc++.h>
#define me(a,x) memset(a,x,sizeof a)
using namespace std;
const int N=105;
inline int read(){
    int x=0,f=1; char ch=getchar();
    while(ch<'0' || ch>'9'){if(ch=='-')f=-1; ch=getchar();}
    while(ch>='0' && ch<='9'){x=(x<<1)+(x<<3)+ch-'0'; ch=getchar();}
    return x*f;
}
int t[N][26],fail[N],tot;
bool v[N],bo[N]; char s[20];
void ins(){
    int x=0,len=strlen(s);
    for(int i=0;i<len;++i){
        int y=s[i]-'a';
        if(!t[x][y])t[x][y]=++tot;
        x=t[x][y];
    }v[x]=1;
}
int Q[N],m,o;
void bulid(){
    int he=0,ta=0;
    while(he<=ta){
        int x=Q[he++];
        for(int i=0;i<m;++i){
            int u=t[x][i],f=fail[x];
            if(!u){t[x][i]=t[f][i]; continue;}
            if(x)fail[u]=t[f][i]; else fail[u]=0;
            v[u]|=v[fail[u]],Q[++ta]=u;
        }
    }
}
struct mat{
    long double a[N][N];
    mat(){me(a,0);}
}a,ans;
inline mat operator*(mat &x,mat &y){
    mat z;
    for(int i=0;i<=o;++i)for(int j=0;j<=o;++j)for(int k=0;k<=o;++k)
        z.a[i][j]+=x.a[i][k]*y.a[k][j];
    return z;
}
void pre(){
    int he=0,ta=0; bo[0]=1; long double p=1.0/m;
    while(he<=ta){
        int x=Q[he++];
        for(int i=0;i<m;++i){
            int u=t[x][i];
            if(!bo[u])bo[u]=1,Q[++ta]=u;
            if(v[u])a.a[x][o]+=p,a.a[x][0]+=p;
            else a.a[x][u]+=p;
        }
    }
}
int main(){
    int n=read(),k=read(); m=read();
    for(int i=0;i<n;++i)scanf("%s",s),ins();
    bulid(); o=tot+1; pre();
    a.a[o][o]=1;
    for(int i=0;i<=o;++i) ans.a[i][i]=1;
    for(;k;k>>=1,a=a*a) if(k&1) ans=ans*a;
    printf("%.7lf\n",(double)ans.a[0][o]);
    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