bzoj 3120: Line

这道题,摆着它40s的时限,隐藏着卡常数的真面目。180个点的矩乘,我默上了板子,却t成狗,加了一些常数优化才过。
f[i][a][b][c][j]表示前i列,有a行结尾是011 b行结尾是01 c行结尾是0,出现j列全是男生的方案数
转移 f[i][a][b][c][j]*C[c][e]*C[b][d]->f[i+1][d][e][f][j+(f==0)]
常数优化:
1.不要 ll *operator [] (int x) { return a[x];} 这句话
2.矩乘时加一个if a.a[i][k] 再枚举j
另,开始看反nm的数据范围了。
   
   
#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<algorithm>
 
#define ll long long
#define inf 1e9
#define eps 1e-8
#define md 1000000007
using namespace std;
 
struct Ju
{
ll a[200][200];
int x,y;
//ll *operator [] (int x) { return a[x];}
} A,ju,mid,ans;
ll C[10][10];
int g[10][10][5];
void operator *= (Ju &a,Ju &b)
{
memset(mid.a,0,sizeof(mid.a));
mid.x=a.x; mid.y=b.y;
for (int i=1;i<=a.x;i++)
for (int k=1;k<=a.y;k++)
if (a.a[i][k])
{
for (int j=1;j<=b.y;j++)
mid.a[i][j]=(mid.a[i][j]+a.a[i][k]*b.a[k][j])%md;
}
a=mid;
}
 
void kpow(Ju &a,ll b)
{
ans.x=a.x; ans.y=a.y;
memset(ans.a,0,sizeof(ans.a));
for (int i=1;i<=ans.x;i++) ans.a[i][i]=1;
while (b)
{
if (b&1) ans*=a;
a*=a; b>>=1;
}
a=ans;
}
 
 
int main()
{
int n,P,Q,cnt=0; ll m;
scanf("%d%lld%d%d",&n,&m,&P,&Q);
C[0][0]=1;
for (int i=1;i<=n;i++)
{
C[i][0]=1;
for (int j=1;j<=i;j++)
C[i][j]=(C[i-1][j-1]+C[i-1][j])%md;
}
for (int a=0;a<=n;a++)
{
if (P<3&&a>0) continue;
for (int b=0;a+b<=n;b++)
{
if (P<2&&b>0) continue;
for (int j=0;j<=Q;j++) g[a][b][j]=++cnt;
}
}
for (int a=0;a<=n;a++)
{
for (int b=0;a+b<=n;b++)
{
if (!g[a][b][0]) continue;
int c=n-a-b;
for (int d=0;d<=b;d++)
for (int e=0;e<=c;e++)
{
if (!g[d][e][0]) continue;
int f=n-d-e;
for (int j=Q-(f==0);j>=0;j--)
ju.a[g[a][b][j]][g[d][e][j+(f==0)]]=C[c][e]*C[b][d]%md;
}
}
}
ju.x=ju.y=cnt; kpow(ju,m);
A.x=1; A.y=cnt; A.a[1][g[0][0][0]]=1; A*=ju;
ll ans=0;
for (int i=1;i<=cnt;i++) ans=(ans+A.a[1][i])%md;
printf("%lld\n",ans);
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