当前位置：首页 > news >正文

矩阵乘法-进阶题8

news 2026/5/12 1:35:42

矩阵乘法

题目

问题描述
给定一个N阶矩阵A，输出A的M次幂（M是非负整数）
例如：
A =
1 2
3 4
A的2次幂
7 10
15 22
输入说明
第一行是一个正整数N、M（1<=N<=30, 0<=M<=5），表示矩阵A的阶数和要求的幂数
接下来N行，每行N个绝对值不超过10的非负整数，描述矩阵A的值
输出说明
输出共N行，每行N个整数，表示A的M次幂所对应的矩阵。相邻的数之间用一个空格隔开
输入范例

2 2 1 2 3 4

输出范例

7 10 15 22

解题思路

本题思路是利用矩阵乘法 + 模拟循环来求矩阵的幂。根据矩阵乘法的定义，矩阵 A^M表示矩阵 A 自身连续相乘 M 次，即 A^M=A×A×…×A（共 M 个）。首先读入矩阵的阶数 N 和幂次 M，以及矩阵 A 的所有元素。若 M=0，根据矩阵运算规则，结果应为单位矩阵（主对角线为1，其余为0）。否则可以先将结果矩阵初始化为 A，然后通过循环执行 M−1 次矩阵乘法，每次按照矩阵乘法规则计算：
得到新的矩阵并更新结果矩阵。由于题目中 N≤30，M≤5，直接使用三重循环进行矩阵乘法即可满足要求。最后输出结果矩阵即可。

整体代码

#include<iostream>usingnamespacestd;intmain(){intN,M;cin>>N>>M;intA[30][30],result[30][30],temp[30][30];// 输入矩阵Afor(inti=0;i<N;i++)for(intj=0;j<N;j++)cin>>A[i][j];// 如果M=0，输出单位矩阵if(M==0){for(inti=0;i<N;i++){for(intj=0;j<N;j++){cout<<(i==j?1:0);if(j!=N-1)cout<<" ";// 只有不是最后一列才输出空格}cout<<endl;}return0;}// 初始化result为Afor(inti=0;i<N;i++)for(intj=0;j<N;j++)result[i][j]=A[i][j];// 进行M-1次矩阵乘法for(intp=1;p<M;p++){for(inti=0;i<N;i++){for(intj=0;j<N;j++){temp[i][j]=0;for(intk=0;k<N;k++)temp[i][j]+=result[i][k]*A[k][j];}}// 更新result矩阵for(inti=0;i<N;i++)for(intj=0;j<N;j++)result[i][j]=temp[i][j];}// 输出结果矩阵（每行最后一个元素后无空格）for(inti=0;i<N;i++){for(intj=0;j<N;j++){cout<<result[i][j];if(j!=N-1)cout<<" ";// 避免行尾空格}cout<<endl;}return0;}

注意事项

注意任何矩阵的 0 次幂都是单位矩阵，需要单独判断。。

英文段落翻译

自己翻译

卷积神经网络是在深度学习领域中最重要的模型之一，并且广泛应用在计算机视觉任务例如，图像分类，物体识别以及图像分割中。比起传统的全连接神经网络，卷积神经网络通过使用减少计算复杂性的本地的连接和权重来减少参数的数量。卷积层能够自主的从未处理的图像中提取特征，包括边缘文本以及形状。随着层数的增加，模型能够学习更抽象和复杂的特征表现。另外，池化层通常被用来减少特征层的空间维度，由此来减少计算消耗和提升健壮性。在实际应用中，卷积神经网络已经在一些领域实现了显著的成功，例如医学图像分析，自动驾驶以及脸部识别。然而，训练深度卷积神经网络，通常要求大量的带标签的数据和强大的计算能力，这在当今的研究中留下了一个重要的挑战。