HDU 5651

居然忘记了高中的组合数公式
在计算组合数取模的过程中很难处理除法。。。
所以要用到C(N,M)=C(N-1,M-1)+C(N-1,M)
从C(1,1)一直递推,就可以避免除法了…
要注意初始化C(i,0)=1;没初始化这个wa了好久…没注意样例都不能过…
在递推求C数组的时候记得取模…
大概的注意事项就这些了吧…
剩下的就是用高中知识解决了…

#include<iostream>
#include<cstdio>
#include<cstring>
#include<algorithm>
#include<cmath>
#include<cstdlib>
#define mod 1000000007
using namespace std;
typedef long long LL;
int C[550][550];
int main()
{
    memset(C,0,sizeof(C));
    for(int i=0;i<=505;i++)
    {
        C[i][1]=i;
        C[i][0]=1;
    }
    for(int i=2;i<=500;i++)
    for(int j=2;j<=i;j++)
    {
        C[i][j]=(C[i-1][j]+C[i-1][j-1])%mod;
    }
    //freopen("in.txt","r",stdin);
    int t;
    scanf("%d",&t);
    while(t--)
    {
        LL ans=1;
        int i,len,cnt=0;
        char s[1050];
        scanf("%s",s);
        len=strlen(s);
        int a[400],b[400],j=0;
        memset(a,0,sizeof(a));
        for(i=0;i<len;i++)
        {
            a[s[i]]++;
        }
        for(i='a';i<='z';i++)
        {
            if(a[i])
            {
                b[j++]=a[i]/2;
            }
            if(a[i]%2!=0)
            cnt++;//奇数个字符的个数
        }
        if(cnt>1)
        {
            printf("0\n");
            continue;
        }
        int h=len/2;
        for(i=0;i<j;i++)
        {
            ans=(ans*C[h][b[i]])%mod;
            h-=b[i];
        }
        printf("%I64d\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