acm常识入门(给即将进队或者刚刚进队的新生)(仍在更新)

本文介绍了模意义(同余)的基本概念及其在加减乘除运算中的应用,并通过实例展示了如何利用费马小定理进行模意义下的除法运算转换为乘法运算,同时提供了快速幂算法的解释代码。

模意义(同余)

同余为数论中的重要概念:
一个正整数m,如果两个整数a和b满足a-b能够被m整除,即(a-b)/m得到一个整数,那么就称整数a与b对模m同余。
记作: a≡b(modm)a≡b(mod m)ab(modm)或者说 a%m=ba\%m = ba%m=b
其中 %就是取模运算符
对模m同余是整数的一个等价关系。

同余有很多奇妙的性质和玩法()
首先我们约定:大写字母如A≡a(modp)A ≡ a(mod p)Aa(modp)
乘法:

若:AB = C , 则ab %p= c%p
乘法在模意义下同余仍成立;
A=k1∗p+a;A = k1 * p +a;A=k1p+a;
B=k2∗p+b;B = k2 * p +b;B=k2p+b;
C=k1∗k2∗p∗p+(a∗k2+b∗k1)∗p+a∗bC = k1*k2*p*p +(a*k2+b*k1)*p + a*bC=k1k2pp+(ak2+bk1)p+ab

加减法同理,手推即可发现仍然不影响同余
除法

在除法中要引进一个定理:
费马小定理:结论为:aP−1≡1(modP)a^{P-1} ≡ 1 (mod P)aP11(modP)
即a的p-1次方对模P意义下与1同余;
那么显然aP−2a^{P-2}aP2就可以看成模意义下的1/a;因为a∗a−1=1a*a^{-1} = 1aa1=1;
至此,引入一个方便计算a^b的算法,叫做快速幂,是一个简单实用的log2∗blog_{2}*{b}log2b 次乘法时间内就能求出来a^b的算法
这是快速幂的解释代码:https://paste.ubuntu.com/p/zJTMWytKFb/

那现在我们要计算b/a在模P意义下等于何数值,显然需要求b∗aP−2%Pb*a^{P-2}\%PbaP2%P
就能把除法成功变成乘法

这里只说明同余意义下的加减乘除。还有开根号等各种运算都能在模意义下找到解释;

累加累乘,表达式的化简

∑\sum这是累加符号
∏\prod这是累乘符号
[][][]这个在式子中出现表示的含义是方括号内容为真,这[**] = 1,否者为假,可以认为是一个真值判别符号;
∣|这个是整除符号,a|b说明b/a的结果是整数;例如:2|8 , 3|9
An=2n+3;A_n = 2n+3;An=2n+3;
那么数列A的前n项和SnS_nSn = ∑i=1ni∗2+1\sum_{i=1}^{n}i*2+1i=1ni2+1
那么n的阶乘n!=∏i=1nin! = \prod_{i=1}^nin!=i=1ni

面对一些表达式,我们看起来要枚举两个数各自从1到n,时间复杂度为n方,但是其实式子化简之后就会变得很简单:以下的n都是1e5:

1

∑i=1n∑j=1n∑k=1ni∗j∗k\sum_{i=1}^{n}\sum_{j=1}^{n}\sum_{k=1}^{n} i*j*ki=1nj=1nk=1nijk
这个式子乍一看是枚举三个元素,求元素之积,只需要固定ij,思考k的变化:显然是ij+ij2+ij3,这是一个等差数列,于是我们快快乐乐地把式子变成:
∑i=1n∑j=1ni∗j∗(n+1)∗n2\sum_{i=1}^{n}\sum_{j=1}^{n} i*j*\frac{(n+1)*n}{2}i=1nj=1nij2(n+1)n
一看固定i,j的变化也是等差数列,最后i也是等差数列,上面的式子继续化成:
((n+1)∗n2)3(\frac{(n+1)*n}{2})^3(2(n+1)n)3

本项目构建于RASA开源架构之上,旨在实现一个具备多模态交互能力的智能对话系统。该系统的核心模块涵盖自然语言理解、语音转文本处理以及动态对话流程控制三个主要方面。 在自然语言理解层面,研究重点集中于增强连续对话中的用户目标判定效能,并运用深度神经网络技术提升关键信息提取的精确度。目标判定旨在解析用户话语背后的真实需求,从而生成恰当的反馈;信息提取则专注于从语音输入中析出具有特定意义的要素,例如个体名称、空间位置或时间节点等具体参数。深度神经网络的应用显著优化了这些功能的实现效果,相比经典算法,其能够解析更为复杂的语言结构,展现出更优的识别精度与更强的适应性。通过分层特征学习机制,这类模型可深入捕捉语言数据中隐含的语义关联。 语音转文本处理模块承担将音频信号转化为结构化文本的关键任务。该技术的持续演大幅提高了人机语音交互的自然度与流畅性,使语音界面日益成为高效便捷的沟通渠道。 动态对话流程控制系统负责维持交互过程的连贯性与逻辑性,包括话轮转换、上下文关联维护以及基于情境的决策生成。该系统需具备处理各类非常规输入的能力,例如用户使用非规范表达或对系统指引产生歧义的情况。 本系统适用于多种实际应用场景,如客户服务支持、个性化事务协助及智能教学辅导等。通过准确识别用户需求并提供对应信息或操作响应,系统能够创造连贯顺畅的交互体验。借助深度学习的自适应特性,系统还可持续优化语言模式理解能力,逐步完善对新兴表达方式与用户偏好的适应机制。 在技术实施方面,RASA框架为系统开发提供了基础支撑。该框架专为构建对话式人工智能应用而设计,支持多语言环境并拥有活跃的技术社区。利用其内置工具集,开发者可高效实现复杂的对话逻辑设计与部署流程。 配套资料可能包含补充学习文档、实例分析报告或实践指导手册,有助于使用者深入掌握系统原理与应用方法。技术文档则详细说明了系统的安装步骤、参数配置及操作流程,确保用户能够顺利完成系统集成工作。项目主体代码及说明文件均存放于指定目录中,构成完整的解决方案体系。 总体而言,本项目整合了自然语言理解、语音信号处理与深度学习技术,致力于打造能够行复杂对话管理、精准需求解析与高效信息提取的智能语音交互平台。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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