洛谷-2183 [国家集训队]礼物

产业园区如何高效对接企业技术需求与高校科研成果?.docx 科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。 立即下载

题目描述
一年一度的圣诞节快要来到了。每年的圣诞节小E都会收到许多礼物,当然他也会送出许多礼物。不同的人物在小E心目中的重要性不同,在小E心中分量越重的人,收到的礼物会越多。小E从商店中购买了n件礼物,打算送给m个人,其中送给第i个人礼物数量为wi。请你帮忙计算出送礼物的方案数(两个方案被认为是不同的,当且仅当存在某个人在这两种方案中收到的礼物不同)。由于方案数可能会很大,你只需要输出模P后的结果。
输入格式
输入的第一行包含一个正整数P,表示模;
第二行包含两个整整数n和m,分别表示小E从商店购买的礼物数和接受礼物的人数;
以下m行每行仅包含一个正整数wi,表示小E要送给第i个人的礼物数量。
输出格式
若不存在可行方案,则输出“Impossible”,否则输出一个整数,表示模P后的方案数。

输入输出样例
输入 #1
100
4 2
1
2

输出 #1
12

输入 #2
100
2 2
1
2

输出 #2
Impossible

说明/提示
【样例说明】
下面是对样例1的说明。
以“/”分割,“/”前后分别表示送给第一个人和第二个人的礼物编号。12种方案详情如下:
1/23 1/24 1/34
2/13 2/14 2/34
3/12 3/14 3/24
4/12 4/13 4/23
设P=p1c1∗p2c2∗p3c3...ptct,piP={p_1}^{c_1}*{p_2}^{c_2}*{p_3}^{c_3} ... {p_t} ^ {c_t},{p_i}P=p1​c1​∗p2​c2​∗p3​c3​...pt​ct​,pi​为质数。
对于100100%100的数据,1≤n≤109,1≤m≤5,1≤pici≤105,1≤P≤109。1≤n≤10^9,1≤m≤5,1≤pi^ci≤10^5,1≤P≤10^9。1≤n≤109,1≤m≤5,1≤pici≤105,1≤P≤109。

解释:ans=Cna1∗Cn−a1a2∗Cn−a1−a2a3...∗Cn−a1−a2−...am−1amC_n^{a_1}*C_{n-a_1}^{a_2}*C_{n-a_1-a_2}^{a_3}...*C_{n-a_1-a_2-...a_{m-1}}^{a_m}Cna1​​∗Cn−a1​a2​​∗Cn−a1​−a2​a3​​...∗Cn−a1​−a2​−...am−1​am​​
那么我可以利用中国剩余定理和扩展卢卡斯定理去解决…然后就完事了…

#include<iostream>
#include<cstring>
using namespace std;
long long P=0,n=0,m=0;
long long s[10]={0};
long long sum=0;
long long ai[103]={0},bi[103]={0};
long long fact[100003]={1,1};
long long x=0,y=0;
void init(long long p){
    for(int i=2;i<=1e5;i++) fact[i]=fact[i-1]*i%p;
}
long long pow(long long y,long long z,long long p){
    y%=p;long long ans=1;
    for(int i=z;i;i>>=1,y=y*y%p)if(i&1)ans=ans*y%p;
    return ans;
}
long long C(long long n,long long m,long long p){
    if(m>n)return 0;
    return ((fact[n]*pow(fact[m],p-2,p))%p*pow(fact[n-m],p-2,p)%p);
}
long long Lucas(long long n,long long m,long long p){
    if(!m)return 1;
    return C(n%p,m%p,p)*Lucas(n/p,m/p,p)%p;
}
long long mul(long long a,long long b,long long mod){
    long long res=0;
    while(b>0){
        if(b&1) res=(res+a)%mod;
        a=(a+a)%mod;
        b>>=1;
    }
    return res;
}
long long exgcd(long long a,long long b,long long &x,long long &y){
    if(b==0){x=1;y=0;return a;}
    long long gcd=exgcd(b,a%b,x,y);
    long long tp=x;
    x=y; y=tp-a/b*y;
    return gcd;
}
long long excrt(int n){
    long long x,y;
    long long M=bi[1],ans=ai[1];
    for(int i=2;i<=n;i++){
        long long a=M,b=bi[i],c=(ai[i]-ans%b+b)%b;
        long long gcd=exgcd(a,b,x,y),bg=b/gcd;
        if(c%gcd!=0) return -1;
        x=mul(x,c/gcd,bg);
        ans+=x*M;
        M*=bg;
        ans=(ans%M+M)%M;
    }
    return (ans%M+M)%M;
}
long long gcd(long long a,long long b){
    if (b==0) return a;
    return gcd(b,a%b);
}
long long INV(long long a,long long p){
    long long x,y;
    exgcd(a,p,x,y);
    return (x+p)%p;
}
long long lcm(long long a,long long b){
    return a/gcd(a,b)*b;
}
long long mabs(long long x){
    return (x>0?x:-x);
}
long long F(long long n,long long P,long long PK){
    if (n==0) return 1;
    long long rou=1;//循环节
    long long rem=1;//余项
    for (long long i=1;i<=PK;i++){
        if (i%P) rou=rou*i%PK;
    }
    rou=pow(rou,n/PK,PK);
    for (long long i=PK*(n/PK);i<=n;i++){
        if (i%P) rem=rem*(i%PK)%PK;
    }
    return F(n/P,P,PK)*rou%PK*rem%PK;
}
long long G(long long n,long long P){
    if (n<P) return 0;
    return G(n/P,P)+(n/P);
}
long long C_PK(long long n,long long m,long long P,long long PK){
    long long fz=F(n,P,PK),fm1=INV(F(m,P,PK),PK),fm2=INV(F(n-m,P,PK),PK);
    long long mi=pow(P,G(n,P)-G(m,P)-G(n-m,P),PK);
    return fz*fm1%PK*fm2%PK*mi%PK;
}
long long A[1001],B[1001];
long long exLucas(long long n,long long m,long long P){
    long long ljc=P,tot=0;
    for (long long tmp=2;tmp*tmp<=P;tmp++){
        if (!(ljc%tmp)){
            long long PK=1;
            while (!(ljc%tmp)){
                PK*=tmp;ljc/=tmp;
            }
            A[++tot]=PK;B[tot]=C_PK(n,m,tmp,PK);
        }
    }
    if (ljc!=1){
        A[++tot]=ljc;B[tot]=C_PK(n,m,ljc,ljc);
    }
    long long ans=0;
    for (long long i=1;i<=tot;i++){
        long long M=P/A[i],T=INV(M,A[i]);
        ans=(ans+B[i]*M%P*T%P)%P;
    }
    return ans;
}
long long mk(long long n,long long m,long long P){
    int t=0;
    for(int i=2;i*i<=P;i++){
        if(P%i==0){
            bi[++t]=1;
            while(P%i==0){
                bi[t]*=i;
                P/=i;
            }
        }
    }
    if(P!=1) bi[++t]=P;
    for(int i=1;i<=t;i++){
        init(bi[i]);
        ai[i]=exLucas(n,m,bi[i]);
    }
    return excrt(t);
}
int main(){
    ios::sync_with_stdio(false);
    cin>>P;
    cin>>n>>m;
    for(int i=1;i<=m;i++) cin>>s[i],sum+=s[i];
    if(sum>n){
        cout<<"Impossible"<<endl;
        return 0;
    }
    long long ret=1;
    sum=0;
    for(int i=1;i<=m;i++){
        long long temp=mk(n-sum,s[i],P);
        ret*=temp;sum+=s[i];
        ret%=P;
    }
    cout<<ret<<endl;
    return 0;
}


国央企创新负责人如何快速掌握本地科技资源分布与匹配情况?.docx 科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。 立即下载

相关推荐

国央企创新负责人如何实现科技成果的精准识别与高效筛选?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

圣诞树

【问题描述】noip 要到了,大家来到圣诞树前。这个圣诞树不仅仅是圣诞树,还有未卜先知的功能。 众 OIer 问圣诞树: “不平凡的圣诞树,CCF 告诉我们 noip 中会有两道题目从 Openjudge 上选 择,你能不能告诉我是哪两道题。”圣诞树想了想直接说出答案并不妥:“中国有句古话叫‘闷声大发财’,我就什么也不说,这是最好的。但是我看到你们这么热情,一句话不说也不好,我就告诉你们点信息

yanshannan的博客 1885

DDS信号发生器设计避坑指南:从AD9834配置到巴特沃斯滤波实战

本文详细解析了基于AD9834芯片的DDS信号发生器设计中的关键技术要点与常见陷阱,涵盖时钟源选择、寄存器配置时序、巴特沃斯滤波器设计等核心内容。针对中高频段信号质量优化,提供了实用的解决方案和代码示例,帮助工程师规避设计误区,提升信号发生器的性能和稳定性。

2y3u4i5o6p的博客 782

中国剩余定理 && 扩展中国剩余定理(互质与不互质)-板子

中国剩余定理就是求x: x = a1 (mod m1) x = a2 (mod m2) ... x = ak (mod mk) ...

不想起标题 509

五.卡尔曼滤波器(EKF)开发实践之五: 编写自己的EKF替换robot_pose_ekf中EKF滤波器

本系列文章主要介绍如何在工程实践中使用卡尔曼滤波器,分五个小节介绍: 一.卡尔曼滤波器开发实践之一: 五大公式 二.卡尔曼滤波器开发实践之二: 一个简单的位置估计卡尔曼滤波器 三.卡尔曼滤波器(EKF)开发实践之三: 基于三个传感器的海拔高度数据融合 四.卡尔曼滤波器(EKF)开发实践之四: ROS系统位姿估计包robot_pose_ekf详解 五.卡尔曼滤波器(EKF)开发实践之五: 编写自己的EKF替换robot_pose_ekf中EKF滤波器 也就是本文 ...

okgwf的博客 4138

懒人精灵手游内存技术分析

教学声明:全套教程教学用到的游戏采用手游私服网游进行测试,不针对任何游戏。教学只做计算机技术研究,不做其他用途。

yizhihaoren123的博客 1656

洛谷P2183 [国家集训队]礼物 [扩展lucas,中国剩余定理]

先放链接 第一道教练没要求而自己去做的的[扩展lucas,中国剩余定理]题,激动٩(๑&gt;◡&lt;๑)۶ 今天模拟赛考了一道[扩展lucas,中国剩余定理]的裸题,但我从来没写过,也没学过,很气 于是晚上发愤图强学习了一下,发现是个好东西。U盘里又有新模板啦哈哈哈 哎,跑远了 回归正题,[扩展lucas,中国剩余定理]这东西是用来求大组合数膜大合数的。注意是合数,那么普通lucas...

p_b_p_b的博客 399

DAC8760高精度数模转换器原理与工业级嵌入式应用

数模转换器(DAC)是工业测控系统中实现数字指令到模拟执行的关键接口,其核心性能由分辨率、线性度、温漂及系统级TUE(总未调整误差)共同决定。DAC8760作为一款16位四象限精密DAC,集成了可编程增益放大器(PGA)、内部基准源与SPI高速接口,支持电压/电流双模输出,显著提升闭环控制精度与硬件适配灵活性。其技术价值在于将高精度模拟前端与数字控制深度耦合,满足PLC、ATE及激光偏置等严苛场景对长期稳定性与多通道同步性的要求。本文围绕DAC8760的寄存器配置、HAL/LL驱动实践、PCB布局规范、现场

weixin_42315569的博客 583

[国家集训队]礼物,洛谷P2183,扩展Lucas

正题       题目链接点这里       首先,很明显我们发现答案就是       假如wi加在一起没有n那么大,那么就输出Impossible。       但是现在P又不给出来,没有好的性质,就只能用扩展Lucas来做了,而且它还保证质因子不超过1e5,这使我们枚举剩下许多时间。 #include&lt;cstdio&gt; #include&lt;cstdlib&gt; #i...

Deep_Kevin的娱乐空间 586

DMA学习笔记

DMA(direct memory access,直接内存访问),是一种避开CPU,可以直接对外设和内存进行访问的技术,可以实现外设与内存、内存之间、外设之间的数据的访问和搬移。

weixin_46220498的博客 3113

Spacedesk保姆级教程:用旧平板给Windows电脑当副屏,从安装到避坑一步到位

本文提供Spacedesk保姆级教程,教你如何将旧平板变成Windows电脑的副屏,从软件安装到网络配置、显示优化及声音交互,一步步避开常见陷阱。通过WiFi实现扩展屏功能,支持4K分辨率和60Hz刷新率,让闲置设备焕发新生。

weixin_42524945的博客 1万+

2018.10.14 NOIP训练 圣诞树(简单dp)

传送门 sbDP题。 曾经一直TLE不知道为什么。 这次发现输入有坑233. 代码

苟为蒟蒻又何妨 807

农业AI避坑指南:用YOLO11做叶片病害检测时遇到的5个典型问题

本文分享了使用YOLO11模型进行农业叶片病害检测时常见的五个典型问题及解决方案。针对田间多变光照、病害样本不均衡、标注歧义、背景干扰和边缘部署等挑战,提供了包括场景自适应数据增强、解耦训练、软标签与鲁棒损失函数、困难负样本构建以及模型轻量化部署在内的实战经验,旨在帮助开发者提升农业AI项目的落地效果。

ujm56789012的博客 206

洛谷:P2183 [国家集训队] 礼物

【代码】洛谷:P2183 [国家集训队] 礼物。

学生党,喜欢编程(C++)玩暗区。学业重,经常拖更请谅解 269

【LaTex】3.4 立体几何

本文介绍了使用LaTeX的tikz包绘制立体几何图形的两种方法。首先展示了基础立方体的绘制代码,通过定义8个顶点坐标并连接各边完成绘制。接着讲解了scope功能在3D绘图中的应用,包括标准平面(xy、xz、yz)的绘制方法,以及任意平面的定义技巧。重点说明了如何通过定义平面原点、x和y方向单位向量来创建旋转后的绘图平面,并以45°旋转的yz平面为例演示了圆的绘制。文章提供了完整的代码示例和对应的效果图示,展示了tikz在3D绘图中的灵活性和强大功能。

你的指尖有改变世界的力量 2456

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

洛谷P2183 [国家集训队]礼物

题目描述一年一度的圣诞节快要来到了。每年的圣诞节小E都会收到许多礼物,当然他也会送出许多礼物。不同的人物在小E心目中的重要性不同,在小E心中分量越重的人,收到的礼物会越多。小E从商店中购买了n件礼物,打算送给m个人,其中送给第i个人礼物数量为wi。请你帮忙计算出送礼物的方案数(两个方案被认为是不同的,当且仅当存在某个人在这两种方案中收到的礼物不同)。由于方案数可能会很大,你只需要输出模P后的结果。...

蒟蒻的博客 421

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

洛谷 P2183 [国家集训队]礼物

题目描述 一年一度的圣诞节快要来到了。每年的圣诞节小E都会收到许多礼物,当然他也会送出许多礼物。不同的人物在小E心目中的重要性不同,在小E心中分量越重的人,收到的礼物会越多。小E从商店中购买了n件礼物,打算送给m个人,其中送给第i个人礼物数量为wi。请你帮忙计算出送礼物的方案数(两个方案被认为是不同的,当且仅当存在某个人在这两种方案中收到的礼物不同)。由于方案数可能会很大,你只需要输出模P后的结...

weixin_30877493的博客 137

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

洛谷 P2183 [国家集训队]礼物)(扩展卢卡斯定理)

扩展卢卡斯定理

qq_38232157的博客 234

【LG2183】[国家集训队]礼物

【LG2183】[国家集训队]礼物 题面 洛谷 题解 插曲:不知道为什么,一看到这个题目,我就想到了这个人。。。 如果不是有\(exLucas\),这题就是\(sb\)题。。。 首先,若\(\sum_{i=1}^mw_i>n\)就直接\(Impossible\)了 然后我们考虑怎么求方案,其实很简单啊。。。 就是 \[ ans=\prod_{i=1}^m(n-\sum_{j=1}^...

150

[luogu P2183] [国家集训队]礼物 {exlucas}

题目 https://www.luogu.org/problem/P2183 解题思路 本题求的是Cnw1∗Cn−w1w2∗..∗Cn−∑i=1m−1wiwm\large C_{n}^{w_1}*C_{n-w_1}^{w_2}*..*C_{n-\sum_{i=1}^{m-1}w_i}^{w_m}Cnw1​​∗Cn−w1​w2​​∗..∗Cn−∑i=1m−1​wi​wm​​ 无解的话,显然是要送的...

Nowed 348

[国家集训队] 礼物

洛谷 P2183 传送门 bzoj 2142 传送门 一共n个礼物,分给m个人,每个人分wi个。 如果不够分,当然是Impossible。 如果够分,考虑求出1-n的所有排列,然后前w1个分给第一个人,w2个分给第二个人...... 剩下的那些,当做分给了第m+1个人。 这样共有 n! 种排列。 但是每个人(包括第m+1个)分到的礼物只要本质一样就行,排列顺序无所谓。 所以我们再除...

weixin_30877181的博客 179

[国家集训队]礼物

Description Luogu2183 BZOJ2142 Solution 我们可以想象成把这\(n\)件物品排成一个排列,然后第1个人拿前\(w_1\)个,第2个人拿之后的\(w_2\)个,以此类推。由于每个人拿到的东西的是没有顺序的,还要在方案数上除掉\(w_i!\),别忘了剩下的物品其实也是没有顺序的,也要除以它们的阶乘。所以答案就是\(\dfrac{n!}{(n - \sum_iw_i...

weixin_33835103的博客 113

每周记录

1月6日 旋转卡壳 闵可夫斯基和 1月13日 期末复习 1月20日 网络流前4道题 一场失败的期末考试 写寒假作业 bzoj [HNOI2008]明明的烦恼(90分) 1月27日 后缀自动机SAM复习 正睿19冬令营&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;省选线上集训附加赛2 (改错:T1 T2 T3) bzoj [BeiJing2

CH_Vaniteux的博客 478

洛谷 P1194 买礼物 (题解+代码)

题目传送门:https://www.luogu.com.cn/problem/P1194 题解: 由于所有东西的价格都为a,并且买个第I个,再买第J个只需要话Kij。那么可以建立最小生成树,连接所有的边,然后再加个起点的值即可 需要注意的是: 优惠不一定比原价便宜!!! 代码及注释如下: #include<iostream> #include<set> #include<algorithm> using namespace std; const int MAXN = 50

Lesords 1576

省选专练之数学BZOJ2142【国家集训队】礼物

好难啊如果p为质数自然随便做但是不是质数需要扩展Lucas定理说白了就是对唯一分解的质数单独讨论再用中国剩余定理合并#include&lt;bits/stdc++.h&gt; using namespace std; typedef int INT; #define int long long inline void read(int &amp;x){ x=0; int f=1; char ...

LeoJAM的博客 382
上一篇: 洛谷-4114 Qtree1
下一篇: 洛谷-2151 [SDOI2009]HH去散步
mkopvec
博客等级 码龄8年 22粉丝 331原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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