CodeForces - 724G:Xor-matic Number of the Graph

两点之间的任意路径都可表示为  随便某一条路径xor任何多个环,

然后可以用线性基来做,这样不会重复的,

另外必须一位一位的处理,xor是不满足结合律的

  1 #include<cstdio>
  2 #include<cstdlib>
  3 #include<algorithm>
  4 #include<cstring>
  5 #include<vector>
  6 #define MOD 1000000007
  7 #define MAXN 100000+10
  8 #define ll long long
  9 #define pb push_back
 10 #define ft first
 11 #define sc second
 12 #define mp make_pair
 13 #define pil pair<int,ll>
 14 using namespace std;
 15 int n,m;
 16 vector<pil> G[MAXN];
 17 ll d[MAXN];
 18 int pw[MAXN];
 19 vector<ll> vs;
 20 vector<int> node;
 21 void dfs(int x,ll c){
 22     d[x]=c;node.pb(x);
 23     for(int i=0;i<G[x].size();i++){
 24         pil& t=G[x][i];
 25         if(-1!=d[t.ft]){vs.pb(d[x]^d[t.ft]^t.sc);}
 26         else{dfs(t.ft,c^t.sc);}
 27     }
 28 }
 29 ll a[65];
 30 ll ans;
 31 ll solve(){
 32     memset(a,0,sizeof(a));
 33     int cnt=0;ll ret=0;
 34     for(int i=0;i<vs.size();i++){
 35         ll v=vs[i];
 36         if(!v)continue;
 37         for(int j=63;j>=0;j--){
 38             if((v>>j)&1){
 39                 if(!a[j]){
 40                     cnt++;
 41                     a[j]=v;
 42                     break;
 43                 }
 44                 else{
 45                     v^=a[j];
 46                 }
 47             }    
 48         }
 49     }
 50     for(int k=0;k<=63;k++){
 51         int t[2]={0};
 52         for(int i=0;i<node.size();i++){
 53             t[(d[node[i]]>>k)&1]++;
 54         }
 55         bool flag=0;
 56         for(int i=0;i<=63;i++){
 57             if((a[i]>>k)&1){
 58                 flag=1;break;
 59             }
 60         }
 61         ll tmp=0;
 62         if(!flag){
 63             tmp+=(1LL*t[0]*t[1]%MOD*pw[cnt]%MOD);
 64             tmp%=MOD;
 65             tmp*=pw[k];
 66             tmp%=MOD;
 67         }
 68         else{
 69             tmp+=(1LL*t[0]*(t[0]-1))/2+(1LL*t[1]*(t[1]-1))/2+(1LL*t[0]*t[1]%MOD);
 70             tmp%=MOD;
 71             if(cnt)tmp*=pw[cnt-1],tmp%=MOD;
 72             tmp*=pw[k];
 73             tmp%=MOD;
 74         }
 75         ret+=tmp;
 76         ret%=MOD;
 77     }
 78     return ret;
 79 }
 80 int main()
 81 {
 82 //    freopen("data.in","r",stdin);
 83     pw[0]=1;
 84     for(int i=1;i<=100;i++){
 85         pw[i]=pw[i-1]*2%MOD;
 86     }
 87     scanf("%d%d",&n,&m);
 88     int x,y;ll w;
 89     for(int i=1;i<=m;i++){
 90         scanf("%d%d%lld",&x,&y,&w);
 91         G[x].pb(mp(y,w));G[y].pb(mp(x,w));
 92     }    
 93     memset(d,-1,sizeof(d));
 94     for(int i=1;i<=n;i++){
 95         if(-1==d[i]){
 96             vs.clear(),node.clear();
 97             dfs(i,0);
 98             ans+=solve();
 99             ans%=MOD;
100         }
101     }
102     printf("%lld\n",ans);
103     return 0;
104 }

 

转载于:https://www.cnblogs.com/w-h-h/p/8311648.html

【使用教程】 一、环境配置 1、建议下载anaconda和pycharm 在anaconda中配置好环境,然后直接导入到pycharm中,在pycharm中运行项目 anaconda和pycharm安装及环境配置参考网上博客,有很多博主介绍 2、在anacodna中安装requirements.txt中的软件包 命令为:pip install -r requirements.txt 或者改成清华源后再执行以上命令,这样安装要快一些 软件包都安装成功后才算成功 3、安装好软件包后,把anaconda中对应的python导入到pycharm中即可(不难,参考网上博客) 二、环境配置好后,开始训练(也可以训练自己数据集) 1、数据集准备 需要准备yolo格式的目标检测数据集,如果不清楚yolo数据集格式,或者有其他数据训练需求,请看博主yolo格式各种数据集集合链接:https://blog.csdn.net/DeepLearning_/article/details/127276492 里面涵盖了上百种yolo数据集,且在不断更新,基本都是实际项目使用。来自于网上收集、实际场景采集制作等,自己使用labelimg标注工具标注的。数据集质量绝对有保证! 本项目所使用的数据集,见csdn该资源下载页面中的介绍栏,里面有对应的下载链接,下载后可直接使用。 2、数据准备好,开始修改配置文件 参考代码中data文件夹下的banana_ripe.yaml,可以自己新建一个不同名称的yaml文件 train:训练集的图片路径 val:验证集的图片路径 names: 0: very-ripe 类别1 1: immature 类别2 2: mid-ripe 类别3 格式按照banana_ripe.yaml照葫芦画瓢就行,不需要过多参考网上的 3、修改train_dual.py中的配置参数,开始训练模型 方式一: 修改点: a.--weights参数,填入'yolov9-s.pt',博主训练的是yolov9-s,根据自己需求可自定义 b.--cfg参数,填入 models/detect/yolov9-c.yaml c.--data参数,填入data/banana_ripe.yaml,可自定义自己的yaml路径 d.--hyp参数,填入hyp.scratch-high.yaml e.--epochs参数,填入100或者200都行,根据自己的数据集可改 f.--batch-size参数,根据自己的电脑性能(显存大小)自定义修改 g.--device参数,一张显卡的话,就填0。没显卡,使用cpu训练,就填cpu h.--close-mosaic参数,填入15 以上修改好,直接pycharm中运行train_dual.py开始训练 方式二: 命令行方式,在pycharm中的终端窗口输入如下命令,可根据自己情况修改参数 官方示例:python train_dual.py --workers 8 --device 0 --batch 16 --data data/coco.yaml --img 640 --cfg models/detect/yolov9-c.yaml --weights '' --name yolov9-c --hyp hyp.scratch-high.yaml --min-items 0 --epochs 500 --close-mosaic 15 训练完会在runs/train文件下生成对应的训练文件及模型,后续测试可以拿来用。 三、测试 1、训练完,测试 修改detect_dual.py中的参数 --weights,改成上面训练得到的best.pt对应的路径 --source,需要测试的数据图片存放的位置,代码中的test_imgs --conf-thres,置信度阈值,自定义修改 --iou-thres,iou阈值,自定义修改 其他默认即可 pycharm中运行detect_dual.py 在runs/detect文件夹下存放检测结果图片或者视频 【备注】 1、该资源内项目代码都经过测试运行成功,功能ok的情况下才上传的,请放心下载使用!有问题请及时沟通交流。 2、适用人群:计算机相关专业(如计科、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、电子信息等)在校学生、专业老师或者企业员工下载使用。
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