【OI备忘录】trick汇总帖

OI中的那些实用的小trick

在OI中,我们时常会用到一些小技巧,无论是代码方面还是数学方面抑或是卡常,都有很多不错的小技巧。

鄙人不才,往往没办法想出来,于是就有了这篇汇总帖~

如有疏漏,还请dalao指教!


  1. 结论:\(gcd(F[n],F[m])=F[gcd(n,m)]\),其中F为斐波那契数列

    \(\quad\)证明:

      我们设\(n<m\)\(F[n]=a\)\(F[n+1]=b\)

      则\(F[n+2]=a+b,F[n+3]=a+2b,…F[m]=F[m-n-1]a+F[m-n]b\)

      \(\because \quad F[n]=a,F[n+1]=b,F[m]=F[m-n-1]a+F[m-n]b\)

      \(\therefore \quad F[m]=F[m-n-1]*F[n]+F[m-n]*F[n+1]\)

      又\(\because \quad gcd(F[n],F[m])=gcd(F[n],F[m-n-1]\)

      而\(F[n]|F[m-n-1]\)

      \(\therefore \quad gcd(F[n],F[m])=gcd(F[n],F[m-n]\)

      引理:\(gcd(F[n],F[n+1])=1\)

       证:由欧几里德定理知

         \(gcd(F[n],F[n+1])=gcd(F[n],F[n+1]-F[n])=gcd(F[n],F[n-1])\)

                \(=gcd(F[n-2],F[n-1])\)

                \(…………\)

                \(=gcd(F[1],F[2])=1\)

        $ \therefore \quad gcd(F[n],F[n+1])=1$

      由引理知:

      \(F[n],F[n+1]\)互质

      而\(gcd(F[n],F[m])=gcd(F[n],F[m-n]*F[n+1])\)

      \(\therefore \quad gcd(F[n],F[m])=gcd(F[n],F[m-n])\)

      即\(gcd(F[n],F[m])=gcd(F[n],F[m\;mod\;n])\)

      继续递归,将\(m1=m\;mod\;n\),则\(gcd(F[n],F[m])=gcd(F[n\;mod\;m1],F[m1])\)

      \(……\)

      不难发现,整个递归过程其实就是在求解\(gcd(n,m)\)

      最后递归到出现\(F[0]\)时,此时的\(F[n]\)就是所求gcd。

      \(\therefore \quad gcd(F[n],F[m])=F[gcd(n,m)]\)

  2. 分层图

    \(\quad\)分层图是一种常见的图论技巧。常用于图中存在某些限制的情况。具体而言,就是建图时将图按照不同的限制条件分层几层,其间有一些有向边连接,这些有向边一般代表着当前限制条件的状态的改变。这个技巧可以省掉很多特判或者别的的麻烦事,你只用在建好的图上做一般操作就可以了。

不间断更新~

转载于:https://www.cnblogs.com/DarkValkyrie/p/11439796.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