第九周第二天

Transformer模型是一种基于注意机制的神经网络架构，在自然语言处理领域取得了巨大的成功。与传统的递归神经网络不同，Transformers不依赖于逐步的序列处理。相反，他们使用自我注意机制来同时处理整个序列。这种架构不仅提高了模型执行并行计算的能力，而且使其能够更有效地捕获远程依赖关系。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，从而产生更准确的翻译。此外，Transformer架构已被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，大多数大规模的预训练语言模型都是建立在Transformer架构上的，这大大加速了人工智能技术的发展。

46

#include<bits/stdc++.h>
using namespace std;
/* 第一，它是某一个自然数的平方；
第二，它的千位数字与十位数字之和等于百位数字与个位数字之积。 */
int main(){
int arr[100]={0};
int amount=0;
for(int i=1150;i<10000;i++){
int k =i/1000;
int h =i/100%10;
int t =(i%100)/10;
int g =i%10;
if(k+t==h*g){
amount++;
arr[amount]=i;
}
}

int num;
while(scanf("%d",&num) != EOF){

printf("%d\n",arr[num]);
}

}

47

#include<bits/stdc++.h>
using namespace std;
int main(){
int N,L1,L2;
while(cin>>N>>L1>>L2){
int arr[N];
for(int i=0;i<N;i++){
cin>>arr[i];
}
int max= INT_MIN;
for(int i=L1;i<=L2;i++){//倍数循环
for(int j=0;j<=N-i;j++){ //起始点
int sum=0;
for(int k=0;k<i;k++){ //加法循环
sum+=arr[(k+j)%N];
}
if(sum>max){
max=sum;
}
}
}
cout<<max<<endl;
}
}

48

#include <iostream>
#include <vector>
using namespace std;

int main() {
int n;
// 循环读取多组测试数据（比如输入多组n和数组）
while (cin >> n) {
vector<int> a(n);
for (int i = 0; i < n; ++i) {
cin >> a[i]; // 读入数组元素
}

// cnt[r]：统计余数r出现的次数（r范围0~10）
vector<long long> cnt(11, 0);
long long prefix = 0; // 当前前缀和
cnt[0] = 1; // 初始条件：prefix[0]=0，余数0出现了1次
long long ans = 0; // 最终答案

// 遍历数组，计算每个位置的前缀和余数
for (int num : a) {
// 1. 更新当前前缀和，并取模11（保证余数在0~10）
prefix = (prefix + num) % 11;
// 处理负数模（本题num是正的，可省略，通用写法）
//if (prefix < 0) prefix += 11;

// 2. 核心：当前余数prefix已经出现了cnt[prefix]次，
// 说明能组成cnt[prefix]个合法子数组，加到答案里
ans += cnt[prefix];

// 3. 统计当前余数，次数+1（供后续元素使用）
/* 我们要找的是「子数组和能被 11 整除」，也就是：
(prefix[i] - prefix[j]) % 11 == 0
根据模运算的性质，这个式子等价于：
prefix[i] % 11 == prefix[j] % 1 */
cnt[prefix]++;
}

cout << ans << endl; // 输出每组的答案
}
return 0;
}