51nod1010(枚举+二分)

本文介绍了一种算法,用于寻找大于或等于给定值x(1≤x≤1e18)的最小光滑数y,光滑数是指仅包含2、3、5作为质因数的整数。通过枚举指数i、j、k来构造所有可能的光滑数,并使用二分搜索找到符合条件的最小光滑数。

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

题目链接:https://www.51nod.com/onlineJudge/questionCode.html#!problemId=1010

 

题意:中文题诶~

 

思路:求第一个比 x (1<=x<=1e18)大或者等于的数y, 且y的因子只有2, 3, 5,即y=pow(2, i)*pow(3, j)*pow(5, k);

那么显然我们可以通过枚举i, j, k求出所有由2, 3, 5因子构成的数,并将其存入数组中,再二分查找数组中第一个大于等于x的数即为答案;

 

代码:

 1 #include <bits/stdc++.h>
 2 #define ll long long
 3 #define MAXN 100000
 4 using namespace std;
 5 
 6 ll a[MAXN];
 7 const ll inf=1e18;
 8 
 9 ll get_pow(ll x, int n){
10     ll ans=1;
11     while(n){
12         if(n&1){
13             ans*=x;
14         }
15         x*=x;
16         n>>=1;
17     }
18     return ans;
19 }
20 
21 void geloutingyu(void){ //**注意不能直接用pow(),会有精度问题
22     int pos=0;
23     for(ll i=0; get_pow(2, i)<=inf; i++){
24         for(ll j=0; get_pow(2, i)*get_pow(3, j)<=inf; j++){
25             for(ll k=0; get_pow(2, i)*get_pow(3, j)*get_pow(5, k)<=inf; k++){
26                 a[pos++]=get_pow(2, i)*get_pow(3, j)*get_pow(5, k);
27             }
28         }
29     }
30 }
31 
32 int main(void){
33     int t;
34     ll x;
35     geloutingyu();
36     sort(a, a+MAXN);
37     cin >> t;
38     while(t--){
39         cin >> x;
40         if(x==1){
41             cout << 2 << endl;
42             continue;
43         }
44         int pos=lower_bound(a, a+MAXN, x)-a;
45         cout << a[pos] << endl;
46     }
47     return 0;
48 }

 

转载于:https://www.cnblogs.com/geloutingyu/p/6279701.html

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