墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
100+累计阅读
183平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
学习：https://zhuanlan.zhihu.com/p/31872064
用于计算大数（long long 范围内） a*b mod p 的情况
复杂度：O(1)
模板：
inline long long mmul ( long long a, long long b, const long long& Mod ) { long long lf = a * ( b >> 25LL ) % Mod * ( 1LL << 25 ) % Mod ; long long rg = a * ( b & ( ( 1LL << 25 ) - 1 ) ) % Mod ; return ( lf + rg ) % Mod ; }
大数相乘（快速傅立叶变换法） c++ 源码
大数相乘（快速傅立叶变换法） c++ 源码
快速乘取模实现大数乘法取模
快速乘取模 ll mul_mod(ll x,ll y)//快速乘取模 { ll ans=0; while(y) { if(y&1) ans=(ans+x)%mod; y>>=1; x=(x+x)%mod; } return ans; }
GD32F103入门实践（一）配置环境，搭建工程模板，烧写程序
写在前面 本系列博客是我初学GD32F103的操作实录，我个人是个小白，在学习过程中真的也遇到了不少坑，因此我希望能记录下来，帮助到同样踩坑的你。 我的芯片是GD32F103ZE，软件是Keil，烧写用的是JLink。 材料准备 首先我在兆易创新官网（兆易创新），下载相关的文件。点击资料下载，在搜索框里输入“GD32F10”可以得到相关的资料，其他芯片类似。比较重要的是GD32F10x AddOn和GD32F10x Firmware Library（固件库），这两个必须下载。 下载Keil MDK5，这
2010湖南省C题
问题描述 定理：把一个至少两位的正整数的个位数字去掉，再从余下的数中减去个位数的5倍。当且仅当差是17的倍数时，原数也是17的倍数 。 例如，34是17的倍数，因为3-20=-17是17的倍数；201不是17的倍数，因为20-5=15不是17的倍数。输入一个正整数n，你的任务是判断它是否是17的倍数。 输入 输入文件最多包含10组测试数据，每个数据占一行，仅包含一个正整数n（1
飞腾D2000 BIOS编译避坑指南：PCIE拆分、S3电源与过温保护配置详解
本文详细解析飞腾D2000 BIOS编译中的关键配置技巧，包括PCIE拆分模式优化、S3电源管理适配及过温保护设置。通过实战案例和参数调优建议，帮助开发者规避常见陷阱，充分发挥国产高性能计算平台的硬件潜力。特别针对BIOS编译过程中的隐蔽问题提供解决方案。
Anomalib实战：从零开始构建自定义数据集的异常检测模型
本文详细介绍了如何使用Anomalib 2.1.0从零开始构建自定义数据集的异常检测模型。通过实战演示，指导读者准备符合规范的数据集结构，快速上手训练Patchcore等先进算法，并完成模型推理与调优，为工业质检、医疗影像等场景提供高效的视觉异常检测解决方案。
快速乘、快速幂、大数快速幂、矩阵快速幂模板
一、快速乘 long long mul(long long a,long long b,log long p) { long long ans=0; for(;b;b>>=1) { if(b&1) ans=(ans+a)%p; a=a*2%p; } return ans; } 二、...
Hypermesh2021实战：塑料圆盘结构化网格划分全流程（附避坑指南）
本文详细介绍了使用Hypermesh2021进行塑料圆盘结构化网格划分的全流程操作，包括几何预处理、网格生成策略及质量验证。特别针对工程实践中常见的12个典型问题提供解决方案，帮助用户提升CAE仿真分析的精度和效率。
[模板] 快速幂+大数乘取模（防溢出）
当模数p很大时，有溢出的风险，于是给出一个模板 详细解释 ll mul(ll a, ll b) //大数乘取余 { ll ans=0; while(b) { if (b&1) ans=(ans+a)%p; a=(a+a)%p; b=b>>1; } return ans; } ll fpow(ll base, ll n) //快速幂+大数乘取余 { base%=p; ll ans=1;
ROS2多线程处理RTSP视频流避坑指南：OpenCV解码丢帧问题解决方案
本文针对ROS2中处理RTSP视频流时OpenCV解码丢帧的常见问题，提供了专业的解决方案。通过深入分析单线程模型的瓶颈，提出并详细拆解了基于生产者-消费者多线程模型的健壮实现方案，有效分离数据采集与处理，从而显著提升视频流的稳定性和流畅度。
ARMv8/ARMv9的TLB深度学习
千万不要人云亦云。一个TLB entry里有很多很多东西的，有100多个比特位呢，并不是仅仅只有VA/PA/nG/VMID/ASID等。.👉👉👉 个人博客笔记导读目录(全部) 👈👈👈。
快速幂 快速乘模板
题目描述 给定正整数A、B、P，求A的B次方modP的值 输入描述: 第一行一个正整数T表示测试数据组数。 接下来T行，每行三个正整数A、B、P，含义如上文。 输出描述: 输出T行，每行一个非负整数表示答案。 输入 2 2 5 10 57284938291657 827493857294857 384729583748273 输出 2 18924650048745 备注: 1...
我用C#实现上位机数据一键导出Excel：从乱码到百万行数据秒级导出的实战技巧
ExcelWorksheet worksheet = package.Workbook.Worksheets.Add("日报表");// 1. 标题（合并单元格）worksheet.Cells["A1"].Value = $"产线日报表 -DateTimeNowToString// 2. 表头和数据（同上）worksheet.Cells["A3"].Value = "时间";// ...省略表头和数据填充// 3. 合计行（公式计算）
快速幂、快速乘
快速幂、快速乘模板 #include <bits/stdc++.h> using namespace std; typedef long long ll; ll kuaisucheng(ll a,ll b,ll c) { a%=c; ll ans=0; while(b>0) { if(b%2==1) { ans+=a; } if(ans>=c)
YOLOv13添加DRB模块map暴涨12.33！准确率提升8.56！召回率提升15.66
本文介绍了在YOLOv13模型中添加DRB模块的改进方法。实验结果显示，添加DRB模块后模型性能显著提升，mAP暴涨12.33%，准确率提升8.56%。文章详细说明了移植过程，包括创建yolov13-DRB.yaml配置文件、修改tasks.py和__init__.py文件，以及引入UniRepLKNet模块的具体实现。其中重点描述了GRNwithNHWC、NCHWtoNHWC等核心组件的实现细节，并提供了完整的模型结构配置代码。这些改进使得YOLOv13模型在保持原有架构优势的同时，获得了更强大的特征提取
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
7-3 A*B%mod（快速乘模板）（mama再也不用担心我手撕大数乘法了）
7-3 AB%mod (15 分) 给你两个整数A,B，输出AB%mod (mod=10^18) 输入格式: 输入只有一行 在一行中给出2个值不超过10^18的正整数A和B。 输出格式: 在一行中输出输出A*B%mod的值。 输入样例: 在这里给出一组输入。例如： 2 2 输出样例: 在这里给出相应的输出。例如： 4 #include<stdio.h> #include<iost...
蓝牙模块HM-10手册
蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。
快速幂&龟速乘&快速乘
快速幂模板 #include<iostream> using namespace std; #define ll long long #define Mod 1e+7; ll fastPow(ll a,ll n){ ll base = a; ll sum =1; while(n){ if(n&1) sum*=base; base*=base; n>>=1;} return sum; } int main (){ int a,n; cin&g
TMS_WebGMaps_1.9.8.0_Full_Source
TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder
SAP B1中文培訓教材_SDK
公司内部培训资料，对开发工具 ，DIAPI， UIAPI，Add-ON有详细解说
快速幂
快速幂模板 LL mod_pow(LL x,LL n,LL mod) { LL res = 1; while (n > 0) { if (n&1) { //res = mod_mulit(res,x,mod); res =...
简单的大数模板
这一段时间做的题， 碰上了几个大数， 所以
【快速幂】a^b
快速幂取模模板题： #include <iostream> using namespace std; typedef long long ll; ll a,b,p; ll fastpow(ll a,ll b){ ll res=1; while(b){ if(b&1) res=(res*a)%p; a=(a*a)%p; ...
算法---基础---快速幂、快速乘
【代码】算法---基础---快速幂、快速乘。
快速乘
快速乘取模的总结 之前学习了快速幂取模，我们可以知道快速幂取模因为节省了几步运算，从而在运算较大的数字时时间较短，并且在运算过程中不断取模，从而数字通常也不容易爆数据范围。 而我最近看了快速乘取模，我觉得和快速幂取模还是有点相似的，我们知道有的时候乘法是会爆long long 的数据范围的，但是如果它需要取模的话，其实最终结果可能远远小于乘积的大小，从而不会爆数据范围。 快速乘算法的思路便是利用乘...
大数相乘(hdu 1402)
------------------题目链接--------------------- 题目没啥说的，两个数相乘，fft，一发模板就AC，kuangbin模板大法好，不懂原理的小白也能体验AC。 个人学的比较菜，不懂原理，把学习资料整合一下。存一下模板。 大佬的讲解 另一个讲解 #include <cstdio> #include <cstring> #include &...
牛客小白月赛12 392B
链接：https://ac.nowcoder.com/acm/contest/392/B来源：牛客网 题目描述 找到了心仪的小姐姐月月后，华华很高兴的和她聊着天。然而月月的作业很多，不能继续陪华华聊天了。华华为了尽快和月月继续聊天，就提出帮她做一部分作业。 月月的其中一项作业是：给定正整数A、B、P，求ABmodPABmodP的值。华华觉得这实在是毫无意义，所以决定写一个程序来...
快速幂入门超简模板
洛谷快速幂模板题 题目描述： 给你三个整数 b，p，k，求 b^p mod k。 且范围都在0~2^31之间。 面临问题： 当不知道快速幂这玩意儿的时候，肯定极其懵逼。 1.数据这么大，无论用什么都会爆啊！ 2.就算不会爆数据，普通算法一个循环乘，O（n），也会TLE！ 解决第一个问题： 仔细观察题目，它的要求是求b^p mod k，所以并不是代表我们要先求b^p，所以我们百度一下膜运算法则。 在...
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1936
扫一扫
