【BZOJ】【P1030】【JSOI2007】【文本生成器】【题解】【AC自动机】

传送门:http://www.lydsy.com/JudgeOnline/problem.php?id=1030

f[i][j][k]表示当前文本第i个,fail树节点第j个,未/已 匹配

f[i][j->ch][k|j->ch->val]+=f[i-1][j][k]

ans=\sum f[m][i][1]

Code:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
#include<queue>
using namespace std;
int n,p=10007;
int ch[6010][27];
int val[6010],fail[6010];
int m,cnt=1;
char s[101];
queue<int>q;
int f[110][6010][2];
int main(){
	scanf("%d%d",&n,&m);
	for(int i=1;i<=n;i++){
		scanf("%s",s);int len=strlen(s);
		int u=1;
		for(int j=0;j<len;++j){
			int v=s[j]-'A'+1;
			if(!ch[u][v])ch[u][v]=++cnt;
			u=ch[u][v];
		}val[u]=1;
	}q.push(1);
	for(int u;!q.empty();){
		u=q.front();q.pop();val[u]|=val[fail[u]];
		for(int i=1,v;i<=26;++i)if(v=ch[u][i]){
			int j=fail[u];q.push(v);
			while(j&&!ch[j][i])j=fail[j];
			fail[v]=j&&ch[j][i]?ch[j][i]:1;
		}else{
			int j=fail[u];
			while(j&&!ch[j][i])j=fail[j];
			ch[u][i]=j&&ch[j][i]?ch[j][i]:1;
		}
	}int ans=0;
	f[0][1][0]=1;
	for(int i=1;i<=m;++i)
	for(int j=1;j<=cnt;j++)
	for(int k=1;k<=26;k++)
	for(int l=0;l<2;l++){
		int x=val[ch[j][k]]?1:l;
		f[i][ch[j][k]][x]=(f[i][ch[j][k]][x]+f[i-1][j][l])%p;
	}for(int i=1;i<=cnt;i++)ans=(ans+f[m][i][1])%p;
	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