| Time Limit | $1$ 秒/Second(s) | Memory Limit | $128$ 兆字节/Megabyte(s) |
| 提交总数 | $0$ | 正确数量 | $13$ | "
| 裁判形式 | 标准裁判/Standard Judge | 我的状态 | 尚未尝试 |
| 难度 | 分类标签 |
在神经网络的训练过程中,损失函数是衡量模型预测结果与真实值之间差异的核心指标.通过优化损失函数,模型能够逐步调整参数,提升预测准确性.
为了更灵活地控制训练过程,我们引入了一种概率化的损失动态调整机制.该机制通过引入成功概率和损失调整比例,模拟真实训练中可能遇到的不确定性,从而更全面地评估模型的鲁棒性和收敛性.
我们有一个训练过程,初始损失值归一化为 L0=1,作为基准参考,在第 t 轮迭代中:
1.有 p 的概率成功,当前轮次的损失函数 Lt=Lt−1×(1−c%)(即降低 c% 的损失函数).
2.有 1−p 的概率失败,当前轮次的损失函数 Lt=Lt−1×(1+d%)(即提高 d% 的损失).
我们需要计算经过 T 次迭代后,损失期望值 LT,并对 998244353 取模.
定义有理数的模:若期望值 LT=QP,其中 P 和 Q 为整数且 Q 不等于 0,则在模 MOD 下的结果为:P×Q 的逆元,其中 Q 的逆元满足: Q×Q 的逆元
输入包含一行,依次为以下参数 Tabcd
T:总迭代次数.a,b:定义成功概率 p=ab.c:成功时的损失减少百分比 (0≤c<100).d:失败时的损失增加百分比(d≥0).
1 1 2 50 50
1
| 本题记录 | 用 户（点击查看用户） | 运行号（点击购买题解） | 时 间 |
|---|---|---|---|
| 算法最快[$2 $ms] | jyl | 1195772 | 2025-05-31 12:10:47 |
| 内存最少[$2144 $KB] | X | 1195904 | 2025-06-08 22:59:05 |
| 第一AC | idiot152 | 1195657 | 2025-05-25 13:43:33 |
| 第一挑战 | idiot152 | 1195657 | 2025-05-25 13:43:33 |
| 竞赛编号 | 竞赛名称 | 竞赛时间 | 访问比赛 |
|---|