多项式全套(待续)

#include <stdio.h>
#include <iostream>
#include <algorithm>
using namespace std;
const int P=333333,MOD=998244353;
inline int add(int a,int b)
{a+=b;return a>=MOD?a-MOD:a;}
inline int sub(int a,int b)
{a-=b;return a<0?a+MOD:a;}
inline int mul(int a,int b)
{return 1LL*a*b%MOD;}
inline int ksm(int a,int b)
{
	int ans=1;
	for(;b;b>>=1,a=mul(a,a))
		if(b&1)ans=mul(ans,a);
	return ans;
}
int w[P];
void NTT(int a[],int n,int f)
{
	for(int i=0,j=0;i<n;i++){
		if(i<j)swap(a[i],a[j]);
		for(int k=n>>1;(j^=k)<k;k>>=1);
	}
	w[0]=1;
	for(int m=1;m<n;m<<=1){
		int owo=ksm(3,(MOD-1)/(m<<1)*f+MOD-1);
		for(int j=1;j<m;j++)
			w[j]=mul(w[j-1],owo);
		for(int i=0;i<n;i+=(m<<1))
			for(int j=0;j<m;j++){
				int p=a[i+j],q=mul(a[i+j+m],w[j]);
				a[i+j]=add(p,q),a[i+j+m]=sub(p,q);
			}
	}
	if(f<0){
		int inv=ksm(n,MOD-2);
		for(int i=0;i<n;i++)
			a[i]=mul(a[i],inv);
	}
}
int mulb[P];
void Poly_Mul(int a[],int b[],int n)
{
	for(int i=0;i<n;i++)
		mulb[i]=b[i];
	NTT(a,n,1),NTT(mulb,n,1);
	for(int i=0;i<n;i++)
		a[i]=mul(a[i],mulb[i]);
	NTT(a,n,-1);
}
int inva[P];
void Poly_Inv(int a[],int inv[],int n)
{
	if(n==1){
		inv[0]=ksm(a[0],MOD-2);
		return;
	}
	Poly_Inv(a,inv,n>>1);
	fill(inv+(n>>1),inv+(n<<1),0);
	fill(inva+n,inva+(n<<1),0);
	for(int i=0;i<n;i++)
		inva[i]=a[i];
	NTT(inva,n<<1,1),NTT(inv,n<<1,1);
	for(int i=0;i<(n<<1);i++)
		inv[i]=mul(inv[i],sub(2,mul(inva[i],inv[i])));
	NTT(inv,n<<1,-1);
}
int sqq[P],sqa[P];
void Poly_Sqrt(int a[],int sq[],int n)
{
	if(n==1){
		//Not All
		sq[0]=1;
		return;
	}
	Poly_Sqrt(a,sq,n>>1);
	fill(sq+(n>>1),sq+n,0);
	Poly_Inv(sq,sqq,n);
	int maxn=1;
	while(maxn<=(n*3))maxn<<=1;
	for(int i=0;i<n;i++)
		sqa[i]=a[i];
	fill(sq+(n>>1),sq+maxn,0);
	fill(sqq+n,sqq+maxn,0);
	fill(sqa+n,sqa+maxn,0);
	NTT(sq,maxn,1);
	NTT(sqq,maxn,1);
	NTT(sqa,maxn,1);
	int i2=(MOD+1)/2;
	for(int i=0;i<maxn;i++)
		sq[i]=mul(mul(sqq[i],i2),add(sqa[i],mul(sq[i],sq[i])));
	NTT(sq,maxn,-1);
}
int moda[P],modb[P],modc[P];
void Poly_Mod(int a[],int b[],int na,int nb) 
{
	if(na<nb)return;
	reverse(a,a+na+1),reverse(b,b+nb+1);
	int n=1;
	while(n<=na-nb+1)n<<=1;
	Poly_Inv(b,modb,n);
	n<<=1;
	for(int i=0;i<=na-nb;i++) 
		moda[i]=a[i];
	fill(modb+na-nb+1,modb+n,0);
	fill(moda+na-nb+1,moda+n,0);
	NTT(modb,n,1),NTT(moda,n,1);
	for(int i=0;i<n;i++) 
		modc[i]=mul(moda[i],modb[i]);
	NTT(modc,n,-1);
	reverse(modc,modc+na-nb+1);
	reverse(a,a+na+1),reverse(b,b+nb+1);
	//
	for(n=1;n<=na;n<<=1);
	fill(modc+na-nb+1,modc+n,0);
	for(int i=0;i<=nb;i++) 
		modb[i]=b[i];
	fill(modb+nb+1,modb+n,0);
	NTT(modb,n,1),NTT(modc,n,1);
	for(int i=0;i<n;i++) 
		modb[i]=mul(modb[i],modc[i]);
	NTT(modb,n,-1);
	for(int i=0;i<=na;i++) 
		a[i]=sub(a[i],modb[i]);
}
int lna[P];
int inv[P];
void Poly_Ln(int a[],int r[],int n)
{
	for(int i=0;i<n;i++)
		r[i]=mul(a[i+1],i+1);
	fill(r+n,r+(n<<1),0);
	Poly_Inv(a,lna,n);
	fill(lna+n,lna+(n<<1),0);
	Poly_Mul(r,lna,n<<1);
	for(int i=n-1;i;--i)
		r[i]=mul(inv[i],r[i-1]);
	r[0]=0;
}
int expr[P],expa[P];
void Poly_Exp(int a[],int r[],int n)
{//r=r0*(1+a-lnr0)
	if(n==1){
		//r[0]=1;Maybe Useful
		return;
	}
	Poly_Exp(a,r,n>>1);
	fill(r+(n>>1),r+(n<<1),0);
	Poly_Ln(r,expr,n);
	for(int i=0;i<n;i++)
		expa[i]=sub(a[i],expr[i]);
	expa[0]=add(1,expa[0]);
	fill(expa+n,expa+(n<<1),0);
	Poly_Mul(r,expa,n<<1);
}
void Inv_Init(int maxn)
{
	inv[1]=1;
	for(int i=2;i<=maxn;i++)
		inv[i]=mul(inv[MOD%i],MOD-MOD/i);
}
int ksma[P];
void Poly_Ksm(int a[],int r[],int n,long long tmp)
{
	int mem=a[0],k=tmp%MOD;
	Poly_Ln(a,ksma,n);
	for(int i=0;i<n;i++)
		ksma[i]=mul(ksma[i],k);
	r[0]=ksm(mem,tmp%(MOD-1));
	Poly_Exp(ksma,r,n);
}
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。
【5层】公司办公楼全套设计+++(3156平,含计算书、建筑图,结构图、实习报告,PKPM,答辩PPT) 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。
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