bzoj2179 FFT快速傅立叶

http://www.elijahqi.win/2018/02/05/bzoj2179/
Description
给出两个n位10进制整数x和y,你需要计算x*y。
Input
第一行一个正整数n。 第二行描述一个位数为n的正整数x。 第三行描述一个位数为n的正整数y。
Output
输出一行,即x*y的结果。
Sample Input
1
3
4

Sample Output

12

数据范围:
n<=60000
注意直接用fft搞的话 要注意存在需要进位的问题 因为我原来uoj的模板题是直接输出系数就okay 注意洛谷的数据 存在前导0要特殊处理下

#include<cmath>
#include<cstdio>
#include<complex>
#include<algorithm>
#define pi acos(-1)
#define C complex<double>
#define N 200000
using namespace std;
int n,R[N],ans[N];C a[N],b[N];
inline void fft(C *x,int f){
    for (int i=0;i<n;++i) if (i<R[i]) swap(x[i],x[R[i]]);
    for (int i=1;i<n;i<<=1){
        C wn(cos(pi/i),f*sin(pi/i));
        for (int j=0;j<n;j+=i<<1){
            C w(1,0),t1,t2;
            for (int k=0;k<i;++k,w*=wn)
                t1=x[j+k],t2=x[j+k+i]*w,x[j+k]=t1+t2,x[j+k+i]=t1-t2;
        }
    }
}
int main(){
    freopen("bzoj2179.in","r",stdin);
    freopen("bzoj2179.out","w",stdout);
    scanf("%d",&n);n-=1;char s[66000];scanf("%s",s);
    for (int i=n;~i;--i) a[n-i]=s[i]-'0';scanf("%s",s);
    for (int i=n;~i;--i) b[n-i]=s[i]-'0';int nn=n<<1,l=0;
    for (n=1;n<=nn;n<<=1,++l);
    for (int i=1;i<n;++i) R[i]=R[i>>1]>>1|(i&1)<<(l-1);
    fft(a,1);fft(b,1);
    for (int i=0;i<n;++i) a[i]*=b[i];fft(a,-1);
    for (int i=0;i<=nn;++i) ans[i]+=(int) (a[i].real()/n+0.5),ans[i+1]+=ans[i]/10,ans[i]%=10;int j=nn+1;
    while(ans[j]) ans[j+1]+=ans[j]/10,ans[j]%=10,j+=1;
    for (;~j;--j) if (ans[j])break;for (;~j;--j) printf("%d",ans[j]);
    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