[vijos1164] 曹冲养猪

传送门

https://vijos.org/p/1164

题目大意

求解模方程组

题解


  • 是中国剩余定理的裸体
  • 但是我并不想用中国剩余定理,因为它只适用于模数互质
  • ydcydc数学
  • 参见里面的 将中国剩余定理丢进垃圾桶

ansmoda1=b1   ansmoda2=b2
a1x+b1=a2y+b2
x,b=xa1+b1,a=lcm(a1,a2),
xmoda=b

代码

var
 d,e:array[0..20]of int64;
 i,j:longint;
 n:longint;
 a,b,c,x,y,t,v:int64;
function gcd(a,b:int64):int64;
begin
 if b=0
 then gcd:=a
 else gcd:=gcd(b,a mod b);
end;

function lcm(a,b:int64):int64;
begin
 lcm:=(a*b)div gcd(a,b);
end;

procedure exgcd(a,b:int64; var x,y:int64);
var t:longint;
begin
 if b=0
 then begin x:=1; y:=0; end
 else begin exgcd(b,a mod b,x,y); t:=x; x:=y; y:=t-y*(a div b); end;
end;

begin
 readln(n);
 for i:=1 to n do
  readln(d[i],e[i]);
 for i:=1 to n-1 do
  {x*d[i]+e[i]=y*d[i+1]+e[i+1]}
  {x*d[i]+y*(-d[i+1])=e[i+1]-e[i]}
  begin
   a:=d[i]; b:=d[i+1]; c:=e[i+1]-e[i];
   {a*x+b*y=c}
   t:=gcd(a,b);
   a:=a div t; b:=b div t; c:=c div t;
   exgcd(a,b,x,y);
   x:=x*c div t;
   v:=x*t div b;
   x:=x-v*b div t;
   if x<0 then x:=x+b div t;
   x:=(x+b)mod b;
   d[i+1]:=lcm(d[i],d[i+1]); e[i+1]:=x*d[i]+e[i];
  end;
 writeln(e[n]);
end.
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