K. Dice Game(ICPC)

备赛ICPC时,我是没想到还有数学题,高数都快忘完了.........

题目链接:Problem - K - Codeforces

 

 我们对于某一个抽到的值x,其他n个人中的某一个人赢我们的概率是:

(m-x)/m+(m-x)/m^2+(m-x)/m^3+....(m-x)/m^K,,K趋于无穷大

解释一下,因为对于对于分母,有m个数,就是m种选择,但是分子,要第一次就赢的情况下只有m-x种选择,即(m-x)/m;但是如果是第二次赢的话,首先会先平局一次,就是我们和那个人都抽到了x,概率是1/m,但是人家第二次赢了我们,概率就是(m-x)/m,所以合起来两局的概率时(m-x)/m^2。。。以此类推

推出来这个公式我们提公因式:

P=(m-x)*(1/m+1/m^2+1/m^3+......+//m^k)....k趋于无穷大

(1/m+1/m^2+1/m^3+......+//m^k)这里是无穷级数,算出来等于1/(m-1)

所以我们抽到x时,一个人赢我们的概率是(m-x)/(m-1)

有n个人要赢我们,所以就是这个的n次方

代码如下:

#include <iostream>
#include <vector>
#include <unordered_map>
#include <cmath>
#include <algorithm>
using namespace std;
#define int long long

const int mod = 998244353;

int qmi(int a, int b) {
    int res = 1;
    while (b) {
        if (b & 1) res = res * a % mod; 
        a = a * a % mod;
        b >>= 1;
    }
    return res;
}

int gdc(int a, int b) {
	return b == 0 ? a : gdc(b, a % b);
}

void solve() {
	int n, m;
	cin >> n >> m;
	cout << 1 << " ";
	int q = qmi(m - 1, n);
	for (int i = 2; i < m; i++) {
		int p = qmi(m - i, n);
		int ans = qmi(q, mod - 2) % mod * p % mod;
		cout << ans << " ";
	}
	cout << 0 << " ";
}

signed main() {
	std::ios::sync_with_stdio(false);
	std::cin.tie(0);
	int t;
	//cin >> t;
	t = 1;
	while (t--) {
		solve();
	}
	return 0;
}

### Paddle Fluid `dice_loss` 的使用方法及参数说明 #### 参数解释 `paddle.fluid.layers.dice_loss(input, label, epsilon=1e-05)` 是用于计算 Dice Loss 的函数[^4]。以下是该函数的主要参数及其作用: - **input**: 输入张量,通常是由网络预测得到的概率分布矩阵,形状为 `[batch_size, num_classes, height, width]` 或其他维度形式。输入的数据类型应为浮点数(如 float32)。 - **label**: 标签张量,表示真实的类别标签,其形状需与 `input` 的空间尺寸一致,即 `[batch_size, 1, height, width]` 或类似的二维标注图。数据类型可以是整型或浮点数。 - **epsilon**: 平滑因子,默认值为 `1e-05`,用于防止分母为零的情况发生。 #### 返回值 返回的是一个标量值,代表当前批次样本的平均 Dice Loss 值。 --- #### 示例代码 以下是一个简单的例子展示如何使用 `dice_loss` 计算损失: ```python import numpy as np import paddle.fluid as fluid # 创建变量 input_data = np.random.rand(2, 3, 4, 5).astype('float32') # (batch_size, channels, height, width) label_data = np.random.randint(0, high=3, size=(2, 1, 4, 5)).astype('int64') with fluid.dygraph.guard(): input_tensor = fluid.dygraph.to_variable(input_data) label_tensor = fluid.dygraph.to_variable(label_data) # 调用 dice_loss 函数 loss = fluid.layers.dice_loss(input=input_tensor, label=label_tensor) print("Dice Loss:", loss.numpy()) ``` --- #### 注意事项 1. **输入格式**:`input` 应为未经过 softmax 处理的 logits 数据;如果已经过激活函数处理,则可能需要调整实现逻辑。 2. **标签编码**:`label` 需要以单通道的形式提供,并且数值范围应在 `[0, C-1]` 中,其中 `C` 表示类别的总数。 3. **性能优化**:对于大规模训练任务,建议结合 GPU 加速来提升效率。 --- #### 关于与其他框架对比 相较于 TensorFlow 和 PyTorch 提供的交叉熵或其他损失函数,Paddle 的 `dice_loss` 更适合解决二分类或多分类中的不平衡问题[^5]。它通过最大化两个集合之间的重叠程度来衡量模型表现。 ---
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