洛谷1373 小a和uim之大逃离

  传送门

 

题目描述:

瞬间,地面上出现了一个n*m的巨幅矩阵,矩阵的每个格子上有一坨0~k不等量的魔液。怪物各给了小a和uim一个魔瓶,说道,你们可以从矩阵的任一个格子开始,每次向右或向下走一步,从任一个格子结束。开始时小a用魔瓶吸收地面上的魔液,下一步由uim吸收,如此交替下去,并且要求最后一步必须由uim吸收。魔瓶只有k的容量,也就是说,如果装了k+1那么魔瓶会被清空成零,如果装了k+2就只剩下1,依次类推。怪物还说道,最后谁的魔瓶装的魔液多,谁就能活下来。小a和uim感情深厚,情同手足,怎能忍心让小伙伴离自己而去呢?沉默片刻,小a灵机一动,如果他俩的魔瓶中魔液一样多,不就都能活下来了吗?小a和他的小伙伴都笑呆了!现在他想知道他们都能活下来有多少种方法。

 

输入格式:

第一行,三个空格隔开的整数n,m,k

接下来n行,m列,表示矩阵每一个的魔液量。同一行的数字用空格隔开。

 

输出格式:

一个整数,表示方法数。由于可能很大,输出对1 000 000 007取余后的结果。

 

数据范围:

对于100%的数据,n,m<=800,1<=k<=15

 

思路:

  转移什么的感觉都还好吧 需要什么记什么

  f[i][j][k][0]:表示现在在(i,j)此时小a和uim吸收的魔夜差值为k 这一步是小a吸收魔液的方案数

  f[i][j][k][1]:表示现在在(i,j)此时小a和uim吸收的魔夜差值为k 这一步是uim吸收魔液的方案数 

 

  让我思考得最久的问题是:

  题目中说可以从任意点出发 那我要去枚举出发点吗???但是这个显然不可行啊

  想了好久好久 还是没想出来qwq  最后打开了GC的题解   还理解了好一会

  

  是这样的:只要把f[i][j][k][0]的初始值设为1即可(k为(i,j)上的数值)

  用物理老师的话来讲:“好奇妙啊!”

 

  统计答案:把所有的f[i][j][0][1]加起来就可以啦(差值为0,最后一步是uim)

 

CODE:

 1 #include<iostream>
 2 #include<cstdio>
 3 #define go(i,a,b) for(register int i=a;i<=b;i++)
 4 #define mod 1000000007
 5 using namespace std;
 6 int read()
 7 {
 8     int x=0,y=1;char c=getchar();
 9     while(c<'0'||c>'9') {if(c=='-') y=-1;c=getchar();}
10     while(c>='0'&&c<='9') {x=(x<<1)+(x<<3)+c-'0';c=getchar();}
11     return x*y;
12 }
13 int n,m,k,nw,f[801][801][16][2],ans;
14 int main()
15 {
16     n=read();m=read();k=read();k++;
17     go(i,1,n) go(j,1,m)
18     {
19         nw=read();f[i][j][nw%k][0]=1;
20         go(a,0,k-1)
21         {
22             f[i][j][a][0]=(f[i][j][a][0]+f[i-1][j][((a-nw)%k+k)%k][1]+f[i][j-1][((a-nw)%k+k)%k][1])%mod;
23         //注意这里a-nw可能会为负 所以要这样子处理
24             f[i][j][a][1]=(f[i][j][a][1]+f[i-1][j][(a+nw)%k][0]+f[i][j-1][(a+nw)%k][0])%mod;
25         }
26         ans=(ans+f[i][j][0][1])%mod;
27     }
28     printf("%d",ans);
29     return 0;
30 }
View Code

 

转载于:https://www.cnblogs.com/forward777/p/10339860.html

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