小白月赛12 C

拓展线性筛法,将所有素数的n次幂算出来,利用素数的次幂得到合数的次幂。

#include<cstdio>
#include<cmath>
#include<algorithm>
using namespace std;
 
typedef long long ll;
const int mod=1e9+7;
 
ll quick(ll a,ll b){
    ll res=1;
    while(b){
        if(b&1) res=res*a%mod;
        a=a*a%mod;
        b>>=1;
    }
    return res%mod;
}
 
const int maxn=13000009;
int f[maxn];//次幂;
int n;

int a[maxn];//存素数;
int top;

//拓展线性筛法;
void init(){
    top=0;
    for(int i=2;i<=n;++i){
        if(f[i]==0){
            a[top++]=i;
            f[i]=quick(i,n);
        }
            for(int j=0;j<top;++j){
                ll m=i*a[j];
                if(m>n) break;
                f[m]=(int)(f[i]*1LL*f[a[j]]%mod);
                if(i%a[j]==0)//防止一个数多次计算;
                    break;
            }
    }
         
}
 
int main(){
    scanf("%d",&n);
    init();
    ll res=1;
    for(int i=2;i<=n;++i)
        res^=f[i];
    printf("%lld\n",res);
 
    return 0;
}

 

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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。
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。
### 回答1: 掌握C语言的最佳方式是通过阅读书籍、观看视频教程、做练习题以及动手实践去学习。首先,可以从一本入门书籍开始,然后通过搜索引擎找到一些在线教程或视频,以及一些相关的练习题以及示例代码,加上不断的实践和持续的努力,你就可以掌握C语言啦! ### 回答2: 学习C语言的关键在于掌握基础知识和进行实践。下面是一些建议,帮助小白快速学习C语言。 首先,小白可以通过读取C语言的教材来了解基本语法和概念。选择一本通俗易懂、有实例讲解的教材,可以帮助小白迅速入门。此外,互联网上也有许多免费的C语言教程和教学视频,小白可以利用这些资源来学习。 其次,小白在学习的过程中,要注重实践。通过编写简单的程序来巩固所学知识,例如编写输出Hello World的程序、实现计算器等。可以从简单的程序开始,逐渐增加难度,逐步提高自己的编程能力。 第三,小白可以加入一些C语言的学习群组或论坛,与其他C语言爱好者交流。在这些群组中,可以向其他人请教问题、讨论学习进展,获取更多有关C语言的经验和技巧。 此外,小白还可以参与一些C语言的项目,如开源社区。通过参与实际的项目,可以锻炼自己的编程能力,提高解决问题的能力。 最后,要坚持学习。学习编程需要持之以恒的努力和耐心。小白可以制定一个合理的学习计划,每天保持一定的学习时间。并且,要养成良好的编程习惯,包括注释代码、规范命名等。 总的来说,小白要学习C语言,需要具备基础知识、进行实践、积极参与社区和项目、坚持学习。通过不断地学习和实践,小白一定可以快速掌握C语言。 ### 回答3: 要想快速学习C语言,小白可以考虑以下几个方法。 首先,掌握基本概念。让自己熟悉C语言的基本语法规则、数据类型、变量和运算符等基本概念。可以通过阅读相关教材或者网上的教程来学习。 其次,进行实践操作。通过实际编写程序来加深理解和掌握C语言。可以从简单的程序开始,逐步增加难度和复杂度。可以尝试解决一些小的编程问题,或者参与开源项目,这样能够锻炼和提高自己的编程能力。 另外,多参加编程交流和讨论。可以加入一些C语言的在线交流群或者论坛,与其他同学交流学习经验,分享问题和解决方案。通过与他人交流,能够获得更多的灵感和思路,也能够迅速纠正学习中的错误。 此外,阅读优秀的源代码也是一个非常有效的学习方法。可以关注一些开源的C语言项目,阅读他们的源代码,并且尝试理解其中的实现原理和设计思路。通过借鉴他人的经验,能够提高自己的编程水平。 最后,保持坚持和不断学习的态度。学习编程需要时间和耐心,需要不断地进行实践和总结。在学习过程中,可能会遇到一些困难和挫折,但只要保持积极的态度,坚持下去,一定能够取得进步和提高。 总的来说,快速学习C语言需要了解基本概念、进行实践操作、参加交流讨论、阅读源代码,并且保持坚持和不断学习的态度。不仅要学会语法和概念,还要锻炼实践能力和问题解决能力。
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