3.17复试学习

Sine之舞进阶7作者: Turbo时间限制: 1s章节: 递归问题描述最近FJ为他的奶牛们开设了数学分析课FJ知道若要学好这门课必须有一个好的三角函数基本功。所以他准备和奶牛们做一个“Sine之舞”的游戏寓教于乐提高奶牛们的计算能力。不妨设Ansin(1sin(2-sin(3sin(4-...sin(n))...)Sn(...(A1n)A2n-1)A3...2)An1FJ想让奶牛们计算Sn的值请你帮助FJ打印出Sn的完整表达式以方便奶牛们做题。输入说明仅有一个数N201。输出说明请输出相应的表达式Sn以一个换行符结束。输出中不得含有多余的空格或换行、回车符。代码#include iostream #include bits/stdc.h using namespace std; //构造Ak k~n //Ansin(1sin(2-sin(3sin(4-...sin(n))...) string buildAk(int k,int n){ string numto_string(k); if(kn){ return sin(num); } char op; if(k%20){ op-; }else{ op; } return sin(numopbuildAk(k1,n)); } //构造An string buildAn(int n){ return buildAk(1,n);//每一层都构建 } int main() { int n; cinn; //S1 //Sn(...(A1n)A2n-1)A3...2)An1 string SbuildAn(1)to_string(n); for(int i2;in;i){ S(S)buildAn(i)to_string(n-i1); } coutSendl; return 0; }总结翻译Transformer 模型是一种基于注意力机制的神经网络架构在自然语言处理领域取得了巨大成功。与传统的循环神经网络不同Transformer不依赖于逐步的序列处理。相反它利用自注意力机制同时处理整个序列。这种架构不仅提高了模型执行并行计算的能力还使其能够更有效地捕捉长距离依赖。在机器翻译任务中Transformer模型可以根据句子中不同单词之间的关系动态分配注意力权重从而生成更准确的翻译。此外Transformer架构已广泛应用于文本生成、语音识别甚至图像处理等任务。近年来大多数大规模预训练语言模型都是基于Transformer架构构建的这显著加速了人工智能技术的发展。