矩阵裸题hdu 1757 A Simple Math Problem

本文详细介绍了如何使用矩阵快速幂算法解决特定问题,包括矩阵构造、矩阵乘法及快速幂的实现过程。通过递归方式求解矩阵的N次方,并应用于实际计算中。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

/*
难点在构造矩阵
构造好矩阵
就可以在原有的模板求
矩阵的N次方
在乘上初始值
我求矩阵快速幂用的是递归
*/
#include<iostream>
#include<cstdio>
#include<cstring>
#define max_n 10
#define n 10
using namespace std;
struct M 
{
	int s[max_n][max_n];
};
int mod;
M mul(M a,M b)
{
	int i,j,k;
	M t;
	memset(t.s,0,sizeof(t.s));
	for(i=0;i<n;i++)
		for(j=0;j<n;j++)
		{
			for(k=0;k<n;k++)
			{
				t.s[i][j]=(t.s[i][j]+a.s[i][k]*b.s[k][j])%mod;
			}
		}
	return t;
}
M pow(M a,int t)
{
	if(t==1)
		return a;
	else
	{	
		M b=pow(a,t/2);
		if(t&1)
			return mul(mul(b,b),a);
		else
			return mul(b,b);
	}
}		
int main()
{
	int k;
	while(scanf("%d%d",&k,&mod)!=EOF)
	{
		M a,b,c,d;
		int i;
		int s1[max_n][max_n]={0,0,0,0,0,0,0,0,0,0,
			1,0,0,0,0,0,0,0,0,0,
			0,1,0,0,0,0,0,0,0,0,
			0,0,1,0,0,0,0,0,0,0,
			0,0,0,1,0,0,0,0,0,0,
			0,0,0,0,1,0,0,0,0,0,
			0,0,0,0,0,1,0,0,0,0,
			0,0,0,0,0,0,1,0,0,0,
			0,0,0,0,0,0,0,1,0,0,
			0,0,0,0,0,0,0,0,1,0};
		memcpy(a.s,s1,sizeof(a.s));
		for(i=0;i<10;i++)
			scanf("%d",&a.s[0][i]);
		b=pow(a,k-9);
		memset(c.s,0,sizeof(c.s));
		for(i=0;i<10;i++)
			c.s[i][0]=9-i;//注意这个地方,我错了好长时间。
		d=mul(b,c);
		printf("%d\n",d.s[0][0]);
		//int sum=0;
		//for(i=0;i<10;i++)
			//sum+=(sum+b.s[0][i]*(9-i))%mod;
		//printf("%d\n",sum);
	}
	return 0;
}

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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