Codeforces 300C Beautiful Numbers (数论)

原题传送门


题面:

Beautiful Numbers

                             time limit per test : 2 seconds
                           memory limit per test : 256 megabytes
                                   input : standard input
                                  output : standard output

Problem Description

Vitaly is a very weird man. He’s got two favorite digits a and b. Vitaly calls a positive integer good, if the decimal representation of this integer only contains digits a and b. Vitaly calls a good number excellent, if the sum of its digits is a good number.

For example, let’s say that Vitaly’s favourite digits are 1 and 3, then number 12 isn’t good and numbers 13 or 311 are. Also, number 111 is excellent and number 11 isn’t.

Now Vitaly is wondering, how many excellent numbers of length exactly n are there. As this number can be rather large, he asks you to count the remainder after dividing it by 1000000007 (1e9 + 7).

A number’s length is the number of digits in its decimal representation without leading zeroes.

Input

The first line contains three integers: a, b, n (1 ≤ a < b ≤ 9, 1 ≤ n ≤ 1e6).

Output

Print a single integer — the answer to the problem modulo 1000000007 (1e9 + 7).

Sample Input (1)

1 3 3

Sample Output (1)

1

Sample Input (2)

2 3 10

Sample Output (2)

165

题面描述

Vitaly对a和b这两个数字很喜欢,所以他认为每个位都由a或b的数字是good的,而当这些位上的数字的和各位上的数是a或者b中的一个时,他就会认为这个数是excellent的,现在他想知道位数为n的数中有多少个数是excellent的.(例如原题面中 , a = 1, b = 3 , 111 是good的, 而1+1+1=3 == b,所以111是excellent)

题目分析

因为Vitaly认为每个位上仅是a或b的数是good的,并在good的基础上才会出现excellent.所以可以先用a和b构造出一个位数为n的数,那么这个数必定是good的,由于对于每个位置上,既可以是a,也可以是b.那么对于由i个a,n-i个b构成的数就会有C(i , n)个.(i = 0~n)因为n很大,而且i是从0到n的,不能用杨辉三角递推出C(i , n).那么就要用阶乘来求C(i , n)了,又因为要取模,对于除法取模就要计算逆元.这题的模数是一个素数,所以可以用费马小定理来求出逆元(而不需要用欧几里得拓展).

具体代码

#include <iostream>
#include <stdio.h>
#include <stdlib.h>
using namespace std;
typedef long long int ll;
const int MOD = 1e9+7;
const int maxn = 1e6+5;
ll fact[maxn];
ll a, b, n;

ll qpow(ll x, ll n, ll mod)//快速幂
{
    x = x%mod;
    ll ans = 1;
    while(n)
    {
        if(n&1)
        {
            ans = ans*x%mod;
        }
        x = x*x%mod;
        n >>= 1;
    }
    return ans;
}

void pre_fact()//阶乘
{
    fact[0] = 1;
    for(ll i = 1; i <= maxn-5; i++)
    {
        fact[i] = fact[i-1]*i%MOD;
    }
}

bool check_sum(ll x)
{
    while(x)
    {
        if(x%10 != (ll)a && x%10 != (ll)b)//当某一位不是a或b时,check失败
        {
            return false;
        }
        x /= 10;
    }
    return true;
}

ll C(ll i, ll j)
{
    ll temp = fact[i]*fact[j-i]%MOD;
    return fact[j]*qpow(temp , MOD-2 , MOD)%MOD;//费马小定理求逆元
}

int main()
{
    pre_fact();//预处理出阶乘
    cin >> a >> b >> n ;
    ll ans = 0;
    for(ll i = 0; i <= n; i++)
    {
        if(check_sum(i*a+(n-i)*b))//
        {
            ans = (ans+C(i , n)%MOD)%MOD;
        }
    }
    cout << ans << endl;
    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