【Codechef】Chef and Bike（二维多项式插值）
something wrong with my new blog!
I can't type matrixs
so I come back. qwq
题目:https://www.codechef.com/problems/BIKE
题解
是我naive了，二维和一维其实差不多
首先，n很小，t很大，什么算法？矩阵乘法！没跑了
然后矩阵里填什么？一条边是两个值啊，还要一个%n一个%(n - 1)，怎么搞
我们设计一个多项式\(x^{a}y^{b}\)，x指数（也就是a）代表前轮加上一条边的值后取模的值，y指数（也就是b）代表后轮加上一条边的值后取模的值
最后每一项前面的系数就是答案
这样我们矩阵里填的就是多项式了，例如一条边的值是\(f = 1,r = 2\)那么这个邻接矩阵里填的就是\(xy^{2}\)
好了我们做矩阵乘法并且指数分别取模n和(n - 1)就做完啦！（大雾
啥啥啥，为啥这样就做完了啊，我要在矩阵里填多项式，还要资瓷多项式的加和乘，虽然可行？但是复杂度听起来不可靠（项有\(n^2\)级别啊，我多项式乘暴力搞要\(n^4\)我FFT还要\(n^2 \log n\)，而我矩阵乘法要做\(n^3\)次，excuse me？)而且很玄学（我不会写），有没有什么简单优美的办法啊。
考虑插值，我们熟悉的插值都有什么呢，例如FFT，例如拉格朗日插值，都是找一些点值代进去然后反解出系数
考虑继续用FFT的思路插值反解系数，因为单位根有一个很棒的性质就是\(w^{n} = 1\)（先记住这一点，不过可能大家都知道）
啥，你说这模数不是NTT？不是哇你不是N只有22么，你会发现\(P - 1\)是2..22所有的数的倍数，所以求出原根来就可以求单位根啦，不是\(2^k\)而是正好\(N\)的(所以我们不能FFT了而要暴力DFT，也就是把每个单位根的值代进去求一遍值，显然你\(n^2\)和大常数\(n \log n\)在22没有什么太大的区别，况且你也不能FFT）
那么我们就可以尝试把\(x\)的\(N\)种取值，\(y\)的\(N - 1\)种取值结合起来
例如\(xy^{2}\)就是\(w_{N}w_{N - 1}^{2}\)
好惹现在窝们（奇怪的口音？）有了\(N(N - 1)\)个点值了……我们还要画在三维坐标系里不成？
回忆一下学习FFT时候的矩阵
大概是这个样子的
\(\begin{bmatrix} (\omega_{n}^{0})^{0} & (\omega_{n}^{0})^{1} & \cdots & (\omega_{n}^{0})^{n - 1} \\ (\omega_{n}^{1})^{0} & (\omega_{n}^{1})^{1} & \cdots & (\omega_{n}^{1})^{n - 1} \\ \vdots &\vdots & \ddots & \vdots \\ (\omega_{n}^{n - 1})^{0} & (\omega_{n}^{n - 1})^{1} & \cdots & (\omega_{n}^{n - 1})^{n - 1} \end{bmatrix} \begin{bmatrix} a_{0}\\ a_{1}\\ \vdots \\ a_{n - 1} \end{bmatrix} = \begin{bmatrix} A(\omega_{0}) \\ A(\omega_{1})\\ \vdots \\ A(\omega_{n - 1}) \end{bmatrix}\)
感觉没有问题，那么回忆一下是怎么反解出来的
假如有这么一个矩阵
\(\begin{bmatrix}
(\omega_{n}^{-0})^{0} &(\omega_{n}^{-0})^{1} &\cdots &(\omega_{n}^{-0})^{n - 1} \\
(\omega_{n}^{-1})^{0} &(\omega_{n}^{-1})^{1} &\cdots &(\omega_{n}^{-1})^{n - 1} \\
\vdots &\vdots &\ddots &\vdots \\
(\omega_{n}^{-(n - 1)})^{0} &(\omega_{n}^{-(n - 1)})^{1} &\cdots &(\omega_{n}^{-(n - 1)})^{n - 1}
\end{bmatrix}\)
我们让两个矩阵相乘
\(\begin{bmatrix} (\omega_{n}^{0})^{0} & (\omega_{n}^{0})^{1} & \cdots & (\omega_{n}^{0})^{n - 1} \\ (\omega_{n}^{1})^{0} & (\omega_{n}^{1})^{1} & \cdots & (\omega_{n}^{1})^{n - 1} \\ \vdots &\vdots & \ddots & \vdots \\ (\omega_{n}^{n - 1})^{0} & (\omega_{n}^{n - 1})^{1} & \cdots & (\omega_{n}^{n - 1})^{n - 1} \end{bmatrix}\begin{bmatrix}
(\omega_{n}^{-0})^{0} &(\omega_{n}^{-0})^{1} &\cdots &(\omega_{n}^{-0})^{n - 1} \\
(\omega_{n}^{-1})^{0} &(\omega_{n}^{-1})^{1} &\cdots &(\omega_{n}^{-1})^{n - 1} \\
\vdots &\vdots &\ddots &\vdots \\
(\omega_{n}^{-(n - 1)})^{0} &(\omega_{n}^{-(n - 1)})^{1} &\cdots &(\omega_{n}^{-(n - 1)})^{n - 1}
\end{bmatrix} = E\)
设
\(D = \begin{bmatrix} (\omega_{n}^{0})^{0} & (\omega_{n}^{0})^{1} & \cdots & (\omega_{n}^{0})^{n - 1} \\ (\omega_{n}^{1})^{0} & (\omega_{n}^{1})^{1} & \cdots & (\omega_{n}^{1})^{n - 1} \\ \vdots &\vdots & \ddots & \vdots \\ (\omega_{n}^{n - 1})^{0} & (\omega_{n}^{n - 1})^{1} & \cdots & (\omega_{n}^{n - 1})^{n - 1} \end{bmatrix}\)
\(V = \begin{bmatrix}
(\omega_{n}^{-0})^{0} &(\omega_{n}^{-0})^{1} &\cdots &(\omega_{n}^{-0})^{n - 1} \\
(\omega_{n}^{-1})^{0} &(\omega_{n}^{-1})^{1} &\cdots &(\omega_{n}^{-1})^{n - 1} \\
\vdots &\vdots &\ddots &\vdots \\
(\omega_{n}^{-(n - 1)})^{0} &(\omega_{n}^{-(n - 1)})^{1} &\cdots &(\omega_{n}^{-(n - 1)})^{n - 1}
\end{bmatrix}\)
\(\sum_{i = 0}^{n - 1}\sum_{j = 0}^{n - 1} E_{ij} = D_{ik}V_{kj}\)
当\(i == j\)
\(E_{ij} = n\)
当\(i != j\)
\(E_{ij} = \sum_{k = 0}^{n - 1} D_{ik}V_{kj}\)
\(E_{ij} = \sum_{k = 0}^{n - 1} \omega_{n}^{ik - kj}\)
\(E_{ij} = \sum_{k = 0}^{n - 1} \omega_{n}^{k(i - j)}\)
\(E_{ij} = \frac{1 - (\omega_{n}^{i - j})^n}{1 - \omega_{n}^{i - j}}\)
根据单位根神奇的性质，我们有
\((\omega_{n}^{i - j})^n = 1\)！
这样的话
\(E = nI\)
\(I\)是单位矩阵
所以就有了
\(\frac{1}{n} \begin{bmatrix} (\omega_{n}^{0})^{0} & (\omega_{n}^{0})^{1} & \cdots & (\omega_{n}^{0})^{n - 1} \\ (\omega_{n}^{1})^{0} & (\omega_{n}^{1})^{1} & \cdots & (\omega_{n}^{1})^{n - 1} \\ \vdots &\vdots & \ddots & \vdots \\ (\omega_{n}^{n - 1})^{0} & (\omega_{n}^{n - 1})^{1} & \cdots & (\omega_{n}^{n - 1})^{n - 1} \end{bmatrix} \begin{bmatrix} A(\omega_{0}) \\ A(\omega_{1})\\ \vdots \\ A(\omega_{n - 1}) \end{bmatrix} = \begin{bmatrix} a_{0}\\ a_{1}\\ \vdots \\ a_{n - 1} \end{bmatrix}\)
妙趣横生，我们只需要把原来的FFT的单位根改成反着旋转，最后除一下数组长度即可
然而？？？你说你会，因为wys在WC2018讲过了。。。（大雾
其实二维的毕克在WC2017也讲了，显然这道题是BI KE出的。。。= =
我们考虑一个\(n(n - 1)\)的矩阵！
\(\begin{bmatrix}
(\omega_{n}^{0})^{0}(\omega_{n - 1}^{0})^{0} &(\omega_{n}^{0})^{0}(\omega_{n - 1}^{0})^{1} &\cdots &(\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{0})^{n - 3} &(\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{0})^{n - 2} \\
(\omega_{n}^{0})^{0}(\omega_{n - 1}^{1})^{0}&(\omega_{n}^{0})^{0}(\omega_{n - 1}^{1})^{1} & \cdots &(\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{1})^{n - 3} & (\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{1})^{n - 2}\\
\vdots &\vdots & \ddots &\vdots & \vdots \\
(\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 3})^{0} & (\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 3})^{1} & \cdots & \vdots & \vdots \\
(\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 2})^{0} & (\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 2})^{1} & \cdots & (\omega_{n}^{n - 1})^{n - 1}(\omega_{n - 1}^{n - 2})^{n - 3} & (\omega_{n}^{n - 1})^{n - 1}(\omega_{n - 1}^{n - 2})^{n - 2}
\end{bmatrix}\begin{bmatrix}
a_{0,0}\\
a_{0,1}\\
\vdots \\
a_{n-1,n-3}\\
a_{n-1,n-2}
\end{bmatrix} = \begin{bmatrix}
A(\omega_{n}^{0}\omega_{n - 1}^{0})\\
A(\omega_{n}^{0}\omega_{n - 1}^{1})\\
\vdots \\
A(\omega_{n}^{n - 1}\omega_{n - 1}^{n - 3})\\
A(\omega_{n}^{n - 1}\omega_{n - 1}^{n - 2})
\end{bmatrix}\)
按照一样的方法把号都取反
\(D = \begin{bmatrix}
(\omega_{n}^{0})^{0}(\omega_{n - 1}^{0})^{0} &(\omega_{n}^{0})^{0}(\omega_{n - 1}^{0})^{1} &\cdots &(\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{0})^{n - 3} &(\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{0})^{n - 2} \\
(\omega_{n}^{0})^{0}(\omega_{n - 1}^{1})^{0}&(\omega_{n}^{0})^{0}(\omega_{n - 1}^{1})^{1} & \cdots &(\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{1})^{n - 3} & (\omega_{n}^{0})^{n - 1}(\omega_{n - 1}^{1})^{n - 2}\\
\vdots &\vdots & \ddots &\vdots & \vdots \\
(\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 3})^{0} & (\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 3})^{1} & \cdots & \vdots & \vdots \\
(\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 2})^{0} & (\omega_{n}^{n - 1})^{0}(\omega_{n - 1}^{n - 2})^{1} & \cdots & (\omega_{n}^{n - 1})^{n - 1}(\omega_{n - 1}^{n - 2})^{n - 3} & (\omega_{n}^{n - 1})^{n - 1}(\omega_{n - 1}^{n - 2})^{n - 2}
\end{bmatrix}\)
\(V = \begin{bmatrix}
(\omega_{n}^{-0})^{0}(\omega_{n - 1}^{-0})^{0} &(\omega_{n}^{-0})^{0}(\omega_{n - 1}^{-0})^{1} &\cdots &(\omega_{n}^{-0})^{n - 1}(\omega_{n - 1}^{-0})^{n - 3} &(\omega_{n}^{-0})^{n - 1}(\omega_{n - 1}^{-0})^{n - 2} \\
(\omega_{n}^{-0})^{0}(\omega_{n - 1}^{-1})^{0}&(\omega_{n}^{-0})^{0}(\omega_{n - 1}^{-1})^{1} & \cdots &(\omega_{n}^{-0})^{n - 1}(\omega_{n - 1}^{-1})^{n - 3} & (\omega_{n}^{-0})^{n - 1}(\omega_{n - 1}^{-1})^{n - 2}\\
\vdots &\vdots & \ddots &\vdots & \vdots \\
(\omega_{n}^{-(n - 1)})^{0}(\omega_{n - 1}^{-(n - 3)})^{0} & (\omega_{n}^{-(n - 1)})^{0}(\omega_{n - 1}^{-(n - 3)})^{1} & \cdots & \vdots & \vdots \\
(\omega_{n}^{-(n - 1)})^{0}(\omega_{n - 1}^{-(n - 2)})^{0} & (\omega_{n}^{-(n - 1)})^{0}(\omega_{n - 1}^{-(n - 2)})^{1} & \cdots & (\omega_{n}^{-(n - 1)})^{n - 1}(\omega_{n - 1}^{-(n - 2)})^{n - 3} & (\omega_{n}^{-(n - 1)})^{n - 1}(\omega_{n - 1}^{-(n - 2)})^{n - 2}
\end{bmatrix}\)
\(E = DV\)
\(\sum_{i = 0}^{n(n - 1) - 1}\sum_{j = 0}^{n(n - 1) - 1} E_{i,j} = D_{i,k}V_{k,j}\)
考虑把标号拆成一个点，类似一些的矩阵标号方法？
设数值为i拆成的点是\(i_{x},i_{y}\)
当\(i == j\)时
\(E_{i,j} = (\omega_{n}^{i_{x}})^{k_x}(\omega_{n - 1}^{i_y})^{k_y} (\omega_{n}^{-k_{x}})^{j_x}(\omega_{n - 1}^{-k_y})^{j_y}\)
\(E_{i,j} = n * (n - 1)\)
而当\(i != j\)时
\(E_{i,j} = (\omega_{n}^{i_{x}})^{k_x}(\omega_{n - 1}^{i_y})^{k_y} (\omega_{n}^{-k_{x}})^{j_x}(\omega_{n - 1}^{-k_y})^{j_y}\)
\(E_{i,j} = \omega_{n}^{k_x(i_{x} - j_{x})}\omega_{n - 1}^{k_y(i_{y} - j_{y})}\)
嗯？迷一般的。。。眼熟？
可是这样就不是等比数列了？…………等等！
\(E_{i,j} = \sum_{k_{x} = 0}^{n - 1}\omega_{n}^{k_x(i_{x} - j_{x})}\sum_{k_{y} = 0}^{n - 2}\omega_{n - 1}^{k_y(i_{y} - j_{y})}\)
\(E_{i,j} = \frac{1 - \omega_{n}^{n(i_{x} - j_{x})}}{1 - \omega_{n}^{i_x - j_x}}\frac{1 - \omega_{n - 1}^{(n - 1)(i_{y} - j_{y})}}{1 - \omega_{n - 1}^{i_{y} - j_{y}}}\)
\(E_{i,j} = 0\)
也就是！我们把等比数列的公比q当成了\(\omega_{n}^{i_x - j_x}\)
后面就不写了，大家都知道了，最后模长除个\(n(n - 1)\)就可以了！
说到这，我想我已经想到了一个绝妙的\(n^2 \log n\)的二维FFT（在界是2^k的情况下）
我猜你们也想到了，大概二进制平摊反转这一个小技巧就不能用了，可以递归
代码
#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#define MAXM 100005
//#define ivorysi
using namespace std;
typedef long long int64;
const int MOD = 1163962801,G = 46;
int N,M,T;
int px[105],py[105];
struct node {int s,t,x,y;} E[MAXM];
int v[25][25][25][25],w[25][25];
struct Matrix {
int f[24][24];
void clear() {
memset(f,0,sizeof(f));
}
friend Matrix operator * (const Matrix &a,const Matrix &b) {
Matrix c;c.clear();
for(int i = 1 ; i <= N ; ++i) {
for(int j = 1 ; j <= N ; ++j) {
for(int k = 1 ; k <= N ; ++k) {
c.f[i][j] = (c.f[i][j] + 1LL * a.f[i][k] * b.f[k][j] % MOD) % MOD;
}
}
}
return c;
}
void set_Matrix(int x,int y) {
clear();
for(int i = 1 ; i <= M ; ++i) {
f[E[i].s][E[i].t] = (f[E[i].s][E[i].t] + 1LL * px[E[i].x * x % N] * py[E[i].y * y % (N - 1)] % MOD) % MOD;
}
}
}A,Ans,I;
int fpow(int x,int c) {
int res = 1,t = x;
while(c) {
if(c & 1) res = 1LL * res * t % MOD;
t = 1LL * t * t % MOD;
c >>= 1;
}
return res;
}
void mul(int c) {
Ans = I;Matrix t = A;
while(c) {
if(c & 1) Ans = Ans * t;
t = t * t;
c >>= 1;
}
}
void Process(int x,int y) {
for(int i = 0 ; i < N ; ++i) {
for(int j = 0 ; j < N - 1 ; ++j) {
w[i][j] = 0;
for(int k = 0 ; k < N ; ++k) {
for(int l = 0 ; l < N - 1 ; ++l) {
w[i][j] = (w[i][j] + 1LL * v[x][y][k][l] * px[N - k * i % N] % MOD
* py[N - 1 - l * j % (N - 1)] % MOD) % MOD;
}
}
w[i][j] = 1LL * w[i][j] * fpow(N * (N - 1),MOD - 2) % MOD;
}
}
}
void Init() {
scanf("%d%d%d",&N,&M,&T);
for(int i = 1 ; i <= M ; ++i) {
scanf("%d%d%d%d",&E[i].s,&E[i].t,&E[i].x,&E[i].y);
E[i].x %= N;
E[i].y %= N - 1;
}
px[0] = 1;py[0] = 1;
px[1] = fpow(G,(MOD - 1) / N);
py[1] = fpow(G,(MOD - 1) / (N - 1));
for(int i = 2 ;i <= N ; ++i) {
px[i] = 1LL * px[i - 1] * px[1] % MOD;
py[i] = 1LL * py[i - 1] * py[1] % MOD;
}
}
void Solve() {
Init();
I.clear();
for(int i = 1 ; i <= N ; ++i) I.f[i][i] = 1;
for(int i = 0 ; i < N ; ++i) {
for(int j = 0 ; j < N - 1 ; ++j) {
A.set_Matrix(i,j);
mul(T);
for(int k = 1 ; k <= N ; ++k) {
for(int l = 1 ; l <= N ; ++l) {
v[k][l][i][j] = Ans.f[k][l];
}
}
}
}
for(int i = 1 ; i <= N ; ++i) {
Process(i,i);
for(int k = 0 ; k < N ; ++k) {
for(int l = 0 ; l < N - 1 ; ++l) {
printf("%d%c",w[k][l]," \n"[l == N - 2]);
}
}
}
}
int main() {
#ifdef ivorysi
freopen("f1.in","r",stdin);
#endif
Solve();
}
【Codechef】Chef and Bike（二维多项式插值）的更多相关文章
- [题解] Atcoder Beginner Contest ABC 265 Ex No-capture Lance Game DP，二维FFT
题目 首先明确先手的棋子是往左走的,将其称为棋子1:后手的棋子是往右走的,将其称为棋子2. 如果有一些行满足1在2右边,也就是面对面,那其实就是一个nim,每一行都是一堆石子,数量是两个棋子之间的空格 ...
- matlab学习——05插值和拟合(一维二维插值,拟合)
05插值和拟合 1.一维插值 (1) 机床加工零件,试用分段线性和三次样条两种插值方法计算.并求x=0处的曲线斜率和13<=x<=15范围内y的最小值. x0=[0 3 5 7 9 11 ...
- @codechef - BIKE@ Chef and Bike
目录 @description@ @solution@ @accepted code@ @details@ @description@ 输入 n(n ≤ 22) 个点,m(m ≤ 8000) 个边.每 ...
- 图像的降采样与升采样（二维插值）----转自LOFTER-gengjiwen
图像的降采样与升采样(二维插值) 1.先说说这两个词的概念: 降采样,即是采样点数减少.对于一幅N*M的图像来说,如果降采样系数为k,则即是在原图中 每行每列每隔k个点取一个点组成一幅图像.降采样很容 ...
- MATLAB二维插值和三维插值
插值问题描述:已知一个函数上的若干点,但函数具体表达式未知,现在要利用已知的若干点求在其他点处的函数值,这个过程就是插值的过程. 1.一维插值 一维插值就是给出y=f(x)上的点(x1,y1),(x2 ...
- 用Python实现根据角4点进行矩阵二维插值并画出伪彩色图
哈哈,题目取得这么绕,其实就是自己写了一个很渣的类似图像放大的算法.已知矩阵四周的4点,扩展成更大的矩阵,中间的元素值均匀插入,例如: 矩阵: 1 2 3 4 扩展成3x3的: 1 1.5 2 ...
- 利用griddata进行二维插值
有时候会碰到这种情况: 实际问题可以抽象为 \(z = f(x, y)\) 的形式,而你只知道有限的点 \((x_i,y_i,z_i)\),你又需要局部的全数据,这时你就需要插值,一维的插值方法网上很 ...
- matlab二维插值--interp2与griddata
二者均是常用的二维插值方法,两者的区别是, interp2的插值数据必须是矩形域(X,Y必须分别是单调向量),即已知数据点(x,y)组成规则的矩阵,或称之为栅格,可使用meshgid生成. gridd ...
- Javascript生成二维码（QR）
网络上已经有非常多的二维码编码和解码工具和代码,很多都是服务器端的,也就是说需要一台服务器才能提供二维码的生成.本着对服务器性能的考虑,这种小事情都让服务器去做,感觉对不住服务器,尤其是对于大流量的网 ...
随机推荐
- Java基础-Date类常用方法介绍
Java基础-Date类常用方法介绍 作者:尹正杰 版权声明:原创作品,谢绝转载!否则将追究法律责任. 一.毫秒值概念 我们在查阅Date类的API文档时,会发现这样的一句话:"The cl ...
- 我的Pycharm，我做主
之间花了一周多的时间把Pycharm官方帮助文档翻译了一遍,一共43篇博客,累得要屎,感悟颇多. 发牢骚之前先总结点干货,这里把所有的翻译文档列成如下目录,方便大家索引: 最全Pycharm教程(1) ...
- day1 java基础语法
一.关键字:java关键字有:abstract boolean break byte case catch char class const continue default do double el ...
- KVM管理概述
一.使用QEMU管理虚拟机 1.KVM指南 https://activedoc.opensuse.org/book/opensuse-virtualization-with-kvm/part-iii- ...
- 关于构造IOCTL命令的学习心得
在编写ioctl代码之前,需要选择对应不同命令的编号.为了防止对错误的设备使用正确的命令,命令号应该在系统范围内唯一,这种错误匹配并不是不会发生,程序可能发现自己正在试图对FIFO和audio等这类非 ...
- 二维数组和指针(C语言）
二维数组和指针 二维数组和指针1.二维数组和数组元素的地址若有以下定义:int *p, a[3][4]; 1)二维数组a由若干个一维数组组成在C语言中定义的二维数组实际上是一个一维数组,这个一维数组的 ...
- Java事件基础
package cn.Douzi.Event; import javax.swing.*; import java.awt.*; import java.awt.event.*; public cla ...
- 悲催的IE6 七宗罪大吐槽（带解决方法）第二部分
三.position:fixed无效 今天在IE6上遇到一个bug,本来想做一个消息提示框,让他在页面右上角停留一段时间后消失,这段时间内提示框随着页面的下拉一直出现在浏览器可见区的顶部,于是我用到了 ...
- linux nginx服务 反向代理 负载均衡 nfs服务
一.nginx服务 1.首先软件停用firewall #systemctl stop firewalld stop:本次停用 disable:开机停用 enable:开机启用 #ps aux | gr ...
- TensorFlow在win10上的安装与使用（三）
本篇博客介绍最经典的手写数字识别Mnist在tf上的应用. Mnist有两种模型,一种是将其数据集看作是没有关系的像素值点,用softmax回归来做.另一种就是利用卷积神经网络,考虑局部图片像素的相关 ...