Maximum Flow

这里写图片描述

数位运算
把n拆成二进制 (1xxxxxxx) 形式,对于任意 i 拆成相同位数的二进制,如果最高位是0,那么一定是可以完全流完,因为 i xor n > i (i xor n 最高位一定是1),所以可以用求和公式来求。对于最高位是1,那么后面的位数就是相当于数位的运算,计算每一位的贡献。如果当前位为1,当且 i 的对应位为0时有贡献,维护一下很容易求出有多少个合法的解;同理当前位为0。

#include <bits/stdc++.h>
using namespace std;

#define ll long long
const ll mo = 1000000007;
ll n, t, ans, a[100], g[100], l, r;

void init() {
    ans = 0;
    memset(a, 0, sizeof(a));
}


ll mul(ll x, ll y) {
    ll t = 0;
    while (y) {
        if (y%2) t = (t+x)%mo;
        y /= 2;
        x *= 2;
    }
    return t;
}

int main() {
    freopen("input.txt","r",stdin); freopen("e.out","w",stdout);
    while (scanf("%lld", &n) != EOF) {
        init();
        n--;
        t = 1;
        while (t*2 <= n) t *= 2;
        l = t%mo; r = (t-1)%mo;
        if (l%2 == 0) l /= 2;
        else r /= 2;
        ans = (l*r%mo+n%mo)%mo;
        n = n-t;
        while (n) {
            a[++a[0]] = n%2;
            n /= 2;
        }
        r = 1;
        for (int i = 1; i < a[0]; i++) r *= 2;
        l = 0;
        g[1] = 1;
        for (int i = 2; i <= a[0]; i++) g[i] = (g[i-1]*2)%mo;
        for (int i = a[0]; i >= 1; i--) {
            if (a[i]) {
                ans = (ans+(( ((l+1)%mo) * (r%mo) %mo )* (g[i]%mo) )%mo)%mo;/*2^(i-1)*/
            } else {
                ans = (ans+((l%mo) * (r%mo) %mo )*(g[i]%mo) %mo)%mo;
            }
            l = l*2+a[i];
            r = r/2;
        }
        printf("%lld\n", ans);
    }
}
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