diff --git a/.ipynb_checkpoints/run-checkpoint.ipynb b/.ipynb_checkpoints/run-checkpoint.ipynb
new file mode 100644
index 0000000..139d46f
--- /dev/null
+++ b/.ipynb_checkpoints/run-checkpoint.ipynb
@@ -0,0 +1,455 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 1,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "#!/usr/bin/env python\n",
+    "# coding: utf-8\n",
+    "import lzma\n",
+    "import gensim.models\n",
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import torch\n",
+    "import torch.nn as nn\n",
+    "import torch.nn.functional as F\n",
+    "import torch.optim as optim\n",
+    "from torchvision import datasets, transforms\n",
+    "from torch.optim.lr_scheduler import StepLR"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 2,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "X_train = lzma.open(\"train/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()\n",
+    "y_train = open('train/expected.tsv').readlines()\n",
+    "X_dev0 = lzma.open(\"dev-0/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()\n",
+    "y_expected_dev0 = open(\"dev-0/expected.tsv\", \"r\").readlines()\n",
+    "X_test = lzma.open(\"test-A/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 3,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "X_train = [line.split() for line in X_train]\n",
+    "X_dev0 = [line.split() for line in X_dev0]\n",
+    "X_test = [line.split() for line in X_test]\n",
+    "\n",
+    "def tagged_document(list_of_list_of_words):\n",
+    "   for i, list_of_words in enumerate(list_of_list_of_words):\n",
+    "      yield gensim.models.doc2vec.TaggedDocument(list_of_words, [i])\n",
+    "\n",
+    "data_training = list(tagged_document(X_train))\n",
+    "model = gensim.models.doc2vec.Doc2Vec(vector_size=1000)\n",
+    "model.build_vocab(data_training)\n",
+    "\n",
+    "X_train_d2v = [model.infer_vector(line) for line in X_train]\n",
+    "X_dev0_d2v = [model.infer_vector(line) for line in X_dev0]\n",
+    "X_test_d2v = [model.infer_vector(line) for line in X_test]\n",
+    "\n",
+    "y_train = np.array([int(i) for i in y_train])\n",
+    "y_expected_dev0 = np.array([int(i) for i in y_expected_dev0])"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "class Net(nn.Module):\n",
+    "    \"\"\"W PyTorchu tworzenie sieci neuronowej\n",
+    "    polega na zdefiniowaniu klasy, która dziedziczy z nn.Module.\n",
+    "    \"\"\"\n",
+    "    \n",
+    "    def __init__(self):\n",
+    "        super().__init__()\n",
+    "        \n",
+    "        # Warstwy splotowe\n",
+    "        self.conv1 = nn.Conv2d(1, 32, 3, 1)\n",
+    "        self.conv2 = nn.Conv2d(32, 64, 3, 1)\n",
+    "        \n",
+    "        # Warstwy dropout\n",
+    "        self.dropout1 = nn.Dropout(0.25)\n",
+    "        self.dropout2 = nn.Dropout(0.5)\n",
+    "        \n",
+    "        # Warstwy liniowe\n",
+    "        self.fc1 = nn.Linear(9216, 128)\n",
+    "        self.fc2 = nn.Linear(128, 10)\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        \"\"\"Definiujemy przechodzenie \"do przodu\" jako kolejne przekształcenia wejścia x\"\"\"\n",
+    "        x = self.conv1(x)\n",
+    "        x = F.relu(x)\n",
+    "        x = self.conv2(x)\n",
+    "        x = F.relu(x)\n",
+    "        x = F.max_pool2d(x, 2)\n",
+    "        x = self.dropout1(x)\n",
+    "        x = torch.flatten(x, 1)\n",
+    "        x = self.fc1(x)\n",
+    "        x = F.relu(x)\n",
+    "        x = self.dropout2(x)\n",
+    "        x = self.fc2(x)\n",
+    "        output = F.log_softmax(x, dim=1)\n",
+    "        return output\n",
+    "\n",
+    "\n",
+    "def train(model, device, train_loader, optimizer, epoch, log_interval, dry_run):\n",
+    "    \"\"\"Uczenie modelu\"\"\"\n",
+    "    model.train()\n",
+    "    for batch_idx, (data, target) in enumerate(train_loader):\n",
+    "        data, target = data.to(device), target.to(device)  # wrzucenie danych na kartę graficzną (jeśli dotyczy)\n",
+    "        optimizer.zero_grad()  # wyzerowanie gradientu\n",
+    "        output = model(data)  # przejście \"do przodu\"\n",
+    "        loss = F.nll_loss(output, target)  # obliczenie funkcji kosztu\n",
+    "        loss.backward()  # propagacja wsteczna\n",
+    "        optimizer.step()  # krok optymalizatora\n",
+    "        if batch_idx % log_interval == 0:\n",
+    "            print('Train Epoch: {} [{}/{} ({:.0f}%)]\\tLoss: {:.6f}'.format(\n",
+    "                epoch, batch_idx * len(data), len(train_loader.dataset),\n",
+    "                100. * batch_idx / len(train_loader), loss.item()))\n",
+    "            if dry_run:\n",
+    "                break\n",
+    "\n",
+    "\n",
+    "def test(model, device, test_loader):\n",
+    "    \"\"\"Testowanie modelu\"\"\"\n",
+    "    model.eval()\n",
+    "    test_loss = 0\n",
+    "    correct = 0\n",
+    "    with torch.no_grad():\n",
+    "        for data, target in test_loader:\n",
+    "            data, target = data.to(device), target.to(device)  # wrzucenie danych na kartę graficzną (jeśli dotyczy)\n",
+    "            output = model(data)  # przejście \"do przodu\"\n",
+    "            test_loss += F.nll_loss(output, target, reduction='sum').item()  # suma kosztów z każdego batcha\n",
+    "            pred = output.argmax(dim=1, keepdim=True)  # predykcja na podstawie maks. logarytmu prawdopodobieństwa\n",
+    "            correct += pred.eq(target.view_as(pred)).sum().item()\n",
+    "\n",
+    "    test_loss /= len(test_loader.dataset)  # obliczenie kosztu na zbiorze testowym\n",
+    "\n",
+    "    print('\\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\\n'.format(\n",
+    "        test_loss, correct, len(test_loader.dataset),\n",
+    "        100. * correct / len(test_loader.dataset)))\n",
+    "\n",
+    "\n",
+    "def run(\n",
+    "        batch_size=64,\n",
+    "        test_batch_size=1000,\n",
+    "        epochs=14,\n",
+    "        lr=1.0,\n",
+    "        gamma=0.7,\n",
+    "        no_cuda=False,\n",
+    "        dry_run=False,\n",
+    "        seed=1,\n",
+    "        log_interval=10,\n",
+    "        save_model=False,\n",
+    "    ):\n",
+    "    \"\"\"Main training function.\n",
+    "    \n",
+    "    Arguments:\n",
+    "        batch_size - wielkość batcha podczas uczenia (default: 64),\n",
+    "        test_batch_size - wielkość batcha podczas testowania (default: 1000)\n",
+    "        epochs - liczba epok uczenia (default: 14)\n",
+    "        lr - współczynnik uczenia (learning rate) (default: 1.0)\n",
+    "        gamma - współczynnik gamma (dla optymalizatora) (default: 0.7)\n",
+    "        no_cuda - wyłącza uczenie na karcie graficznej (default: False)\n",
+    "        dry_run - szybko (\"na sucho\") sprawdza pojedyncze przejście (default: False)\n",
+    "        seed - ziarno generatora liczb pseudolosowych (default: 1)\n",
+    "        log_interval - interwał logowania stanu uczenia (default: 10)\n",
+    "        save_model - zapisuje bieżący model (default: False)\n",
+    "    \"\"\"\n",
+    "    use_cuda = no_cuda and torch.cuda.is_available()\n",
+    "\n",
+    "    torch.manual_seed(seed)\n",
+    "\n",
+    "    device = torch.device(\"cuda\" if use_cuda else \"cpu\")\n",
+    "\n",
+    "    train_kwargs = {'batch_size': batch_size}\n",
+    "    test_kwargs = {'batch_size': test_batch_size}\n",
+    "    if use_cuda:\n",
+    "        cuda_kwargs = {'num_workers': 1,\n",
+    "                       'pin_memory': True,\n",
+    "                       'shuffle': True}\n",
+    "        train_kwargs.update(cuda_kwargs)\n",
+    "        test_kwargs.update(cuda_kwargs)\n",
+    "\n",
+    "    transform=transforms.Compose([\n",
+    "        transforms.ToTensor(),\n",
+    "        transforms.Normalize((0.1307,), (0.3081,))\n",
+    "        ])\n",
+    "    dataset1 = datasets.MNIST('../data', train=True, download=True,\n",
+    "                       transform=transform)\n",
+    "    dataset2 = datasets.MNIST('../data', train=False,\n",
+    "                       transform=transform)\n",
+    "    train_loader = torch.utils.data.DataLoader(dataset1,**train_kwargs)\n",
+    "    test_loader = torch.utils.data.DataLoader(dataset2, **test_kwargs)\n",
+    "\n",
+    "    model = Net().to(device)\n",
+    "    optimizer = optim.Adadelta(model.parameters(), lr=lr)\n",
+    "\n",
+    "    scheduler = StepLR(optimizer, step_size=1, gamma=gamma)\n",
+    "    for epoch in range(1, epochs + 1):\n",
+    "        train(model, device, train_loader, optimizer, epoch, log_interval, dry_run)\n",
+    "        test(model, device, test_loader)\n",
+    "        scheduler.step()\n",
+    "\n",
+    "    if save_model:\n",
+    "        torch.save(model.state_dict(), \"mnist_cnn.pt\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 4,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 86,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 87,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 85,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [
+    {
+     "data": {
+      "text/plain": [
+       "0.003825023"
+      ]
+     },
+     "execution_count": 85,
+     "metadata": {},
+     "output_type": "execute_result"
+    }
+   ],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 88,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "FEATURES = 1000\n",
+    "class NeuralNetworkModel(torch.nn.Module):\n",
+    "\n",
+    "    def __init__(self):\n",
+    "        super(NeuralNetworkModel, self).__init__()\n",
+    "        self.fc1 = torch.nn.Linear(FEATURES,500)\n",
+    "        self.fc2 = torch.nn.Linear(500,1)\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        x = self.fc1(x)\n",
+    "        x = torch.relu(x)\n",
+    "        x = self.fc2(x)\n",
+    "        x = torch.sigmoid(x)\n",
+    "        return x"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 89,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "nn_model = NeuralNetworkModel()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 90,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "BATCH_SIZE = 5"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 91,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "criterion = torch.nn.BCELoss()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "pycharm": {
+     "is_executing": true,
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "optimizer = torch.optim.SGD(nn_model.parameters(), lr = 0.1)\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "pycharm": {
+     "is_executing": true,
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "def get_loss_acc(model, X_dataset, Y_dataset):\n",
+    "    loss_score = 0\n",
+    "    acc_score = 0\n",
+    "    items_total = 0\n",
+    "    model.eval()\n",
+    "    for i in range(0, Y_dataset.shape[0], BATCH_SIZE):\n",
+    "        X = np.array(X_dataset[i:i+BATCH_SIZE])\n",
+    "        X = torch.tensor(X)\n",
+    "        Y = Y_dataset[i:i+BATCH_SIZE]\n",
+    "        Y = torch.tensor(Y.astype(np.float32)).reshape(-1,1)\n",
+    "        Y_predictions = model(X)\n",
+    "        acc_score += torch.sum((Y_predictions > 0.5) == Y).item()\n",
+    "        items_total += Y.shape[0]\n",
+    "\n",
+    "        loss = criterion(Y_predictions, Y)\n",
+    "\n",
+    "        loss_score += loss.item() * Y.shape[0]\n",
+    "    return (loss_score / items_total), (acc_score / items_total)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "pycharm": {
+     "is_executing": true,
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "for epoch in range(5):\n",
+    "    loss_score = 0\n",
+    "    acc_score = 0\n",
+    "    items_total = 0\n",
+    "    nn_model.train()\n",
+    "    for i in range(0, y_train.shape[0], BATCH_SIZE):\n",
+    "        X = np.array(X_train_d2v[i:i+BATCH_SIZE])\n",
+    "        X = torch.tensor(X)\n",
+    "        Y = y_train[i:i+BATCH_SIZE]\n",
+    "        Y = torch.tensor(Y.astype(np.float32)).reshape(-1,1)\n",
+    "        Y_predictions = nn_model(X)\n",
+    "        acc_score += torch.sum((Y_predictions > 0.5) == Y).item()\n",
+    "        items_total += Y.shape[0]\n",
+    "\n",
+    "        optimizer.zero_grad()\n",
+    "        loss = criterion(Y_predictions, Y)\n",
+    "        loss.backward()\n",
+    "        optimizer.step()\n",
+    "\n",
+    "        loss_score += loss.item() * Y.shape[0]\n",
+    "\n",
+    "    display(epoch)\n",
+    "    display(get_loss_acc(nn_model, X_train_d2v, y_train))\n",
+    "    display(get_loss_acc(nn_model, X_dev0_d2v, y_expected_dev0))"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": []
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.9.7"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 1
+}
diff --git a/dev-0/out.tsv b/dev-0/out.tsv
index 962881e..0fb5f17 100644
--- a/dev-0/out.tsv
+++ b/dev-0/out.tsv
@@ -9,32 +9,32 @@
 1
 1
 0
+1
+0
 0
 0
 1
 0
+0
+1
 1
 0
 0
 0
-1
 0
 0
-1
-1
-1
 0
 1
 1
-1
-1
 0
-1
+0
 0
 1
 0
 0
-1
+0
+0
+0
 0
 1
 0
@@ -47,16 +47,16 @@
 1
 0
 0
-1
-1
 0
 1
 0
-1
 0
 0
+1
+0
 0
 0
+1
 0
 1
 1
@@ -66,7 +66,7 @@
 1
 0
 1
-1
+0
 1
 0
 0
@@ -74,19 +74,19 @@
 1
 0
 1
+1
+0
 0
 0
-1
 0
-1
 0
 1
 0
 0
-1
 0
-1
-1
+0
+0
+0
 1
 0
 0
@@ -95,16 +95,16 @@
 0
 0
 1
-0
+1
 1
 0
 0
 1
-0
 1
-0
 1
 0
+0
+0
 1
 0
 0
@@ -114,7 +114,7 @@
 0
 0
 1
-0
+1
 0
 0
 0
@@ -137,25 +137,25 @@
 0
 0
 1
-0
+1
 1
 0
 0
 1
-1
 0
 0
 1
 0
-1
 0
 1
 0
 0
-1
 0
-1
 0
+1
+1
+1
+1
 0
 0
 0
@@ -170,17 +170,17 @@
 0
 0
 1
-1
 0
 0
 1
 1
 1
+1
+0
 0
 0
 0
 0
-1
 0
 1
 0
@@ -189,18 +189,18 @@
 0
 0
 1
-1
 0
 0
 0
+1
 0
 0
 0
 1
 1
 1
-1
-1
+0
+0
 0
 0
 0
@@ -212,14 +212,14 @@
 0
 1
 0
-0
 1
-0
 1
 0
 1
 0
-1
+0
+0
+0
 0
 1
 0
@@ -239,52 +239,52 @@
 1
 0
 0
+0
 1
 1
 0
-0
 1
 1
 0
 0
 0
+1
+0
 0
 0
-1
-1
-1
 0
 0
 0
 0
 0
 0
-1
 0
-1
-1
 1
 0
 0
 0
 0
-1
 0
 0
 0
 0
+1
 0
 0
 0
 0
-1
 0
 0
 0
 0
 1
 0
+0
+1
+1
 1
+0
+0
 1
 0
 0
@@ -293,7 +293,7 @@
 0
 0
 0
-1
+0
 0
 1
 0
@@ -303,34 +303,34 @@
 0
 0
 0
+0
+0
 1
 0
 0
 0
+0
 1
 0
 0
 0
 0
 0
-1
 0
 0
 0
+1
 0
 0
 1
-1
 0
-1
 0
 0
 0
 0
-1
 0
 0
-1
+0
 0
 1
 0
@@ -342,18 +342,18 @@
 1
 0
 0
-1
 0
 0
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
+0
+0
 1
 0
 1
@@ -361,10 +361,10 @@
 0
 0
 0
-1
+0
 0
 1
-1
+0
 0
 0
 1
@@ -374,18 +374,18 @@
 0
 1
 0
-1
 0
-1
+0
+0
 1
 0
 0
 0
-1
 0
 0
-1
-1
+0
+0
+0
 1
 0
 0
@@ -398,7 +398,7 @@
 1
 0
 0
-0
+1
 0
 0
 0
@@ -407,19 +407,19 @@
 1
 0
 0
-1
 0
 0
 0
 0
-1
+0
 1
 1
 0
 1
+1
 0
 0
-0
+1
 0
 0
 1
@@ -429,34 +429,34 @@
 0
 1
 1
-0
 1
 0
 0
 0
 0
-1
+0
 1
 0
 0
 0
 0
 0
-1
 0
 0
 0
 0
-1
-1
 0
 0
 1
-1
+0
+0
+0
 1
 0
 0
 0
+0
+0
 1
 0
 0
@@ -467,15 +467,15 @@
 0
 0
 1
-1
+0
 1
 0
+1
 0
 0
 0
 0
 0
-1
 0
 0
 1
@@ -483,14 +483,11 @@
 1
 0
 0
-1
 0
 0
 0
-1
 0
 0
-1
 0
 0
 0
@@ -500,6 +497,9 @@
 0
 0
 0
+1
+0
+0
 0
 0
 0
@@ -518,37 +518,37 @@
 1
 0
 0
-1
-1
-1
 0
 0
 1
 0
-1
 0
 0
 1
 1
 0
 0
-0
-1
 1
 1
 0
+0
+0
+0
+0
 1
 0
+0
+0
 1
 0
 0
 0
 0
-1
 0
 0
-1
 0
+0
+1
 1
 0
 0
@@ -559,15 +559,16 @@
 1
 0
 0
+0
 1
-1
-1
+0
 0
 0
 1
 0
 0
 0
+1
 0
 0
 0
@@ -578,7 +579,6 @@
 0
 0
 0
-1
 0
 0
 0
@@ -598,15 +598,15 @@
 0
 1
 0
-1
-1
 0
 0
 1
+0
 1
 0
 0
-1
+0
+0
 0
 0
 1
@@ -635,12 +635,12 @@
 0
 0
 0
-1
 0
-1
 0
 0
 0
+1
+1
 0
 0
 1
@@ -648,31 +648,28 @@
 1
 0
 1
-1
-1
 0
-1
 0
-1
 0
+1
 0
 1
 1
+0
+0
 1
 1
 0
+0
 1
 1
 0
 0
 0
 0
-1
 0
-1
 0
 0
-1
 0
 0
 0
@@ -682,32 +679,38 @@
 0
 0
 0
-1
 0
 0
-1
+0
 1
 0
 0
 0
-1
-1
 0
 1
 0
+0
 1
-1
+0
+0
+0
+0
 0
 1
+0
 1
 0
 0
 0
+0
 1
 1
 0
 0
 0
+0
+1
+0
 1
 1
 0
@@ -717,18 +720,15 @@
 1
 0
 0
-1
 0
 0
 0
 0
 1
 0
-1
 0
 0
 0
-1
 0
 0
 0
@@ -739,14 +739,14 @@
 0
 0
 0
-1
 0
 0
 0
-1
 0
 1
 0
+0
+0
 1
 0
 1
@@ -759,17 +759,17 @@
 0
 0
 0
+0
 1
 1
-0
 1
 0
-0
-0
 1
 0
+1
 0
 1
+1
 0
 0
 1
@@ -782,37 +782,37 @@
 1
 0
 1
-1
+0
 1
 1
 0
-1
 0
-1
-1
-1
+0
 0
 1
 1
+0
+0
 1
 0
 0
 0
+0
 1
 1
 0
-1
+0
 0
 1
 1
 0
 0
+0
 1
+0
 1
 0
 0
-1
-1
 0
 0
 1
@@ -823,7 +823,7 @@
 1
 0
 0
-1
+0
 0
 0
 0
@@ -831,7 +831,7 @@
 0
 0
 0
-1
+0
 0
 1
 1
@@ -843,10 +843,7 @@
 0
 1
 1
-1
-0
 0
-1
 0
 0
 1
@@ -855,33 +852,36 @@
 0
 0
 0
-1
 0
 0
 0
 0
 0
+1
+0
+1
 0
 1
 0
 0
 0
-1
+0
 1
 0
 1
 1
 0
 0
-1
 0
-1
 0
 0
 1
 0
 0
 0
+0
+0
+1
 1
 0
 0
@@ -891,47 +891,42 @@
 0
 0
 1
+0
+0
 1
+0
 1
+0
 1
-1
+0
 1
 1
 0
 0
 0
-1
 0
 0
-1
-1
 0
 0
 0
 1
-1
 0
 0
 1
 0
-1
 0
-1
 0
 1
 0
 0
 0
 0
-1
 0
 0
+1
 0
 0
-1
-1
 0
-1
 0
 1
 1
@@ -940,49 +935,31 @@
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
-1
-1
-0
 0
 1
 0
-1
 0
 1
-1
 0
 0
-1
-1
-1
 0
 0
-1
 0
 0
-1
 0
 1
 0
-0
-0
-0
 1
 0
-0
-0
 1
 1
 0
@@ -992,12 +969,12 @@
 0
 0
 0
-0
-0
 1
 0
 1
+1
 0
+1
 0
 0
 0
@@ -1008,46 +985,29 @@
 0
 1
 0
-0
 1
 0
 0
 0
 0
-1
-1
 0
 0
 0
-1
-1
 0
 0
 0
 0
-1
-0
-1
-1
 0
-1
 0
 0
 1
 0
-0
 1
 0
-1
-0
-0
 0
 1
 1
 0
-1
-1
-1
 0
 1
 0
@@ -1059,27 +1019,17 @@
 0
 0
 0
-0
-0
 1
-0
-0
-0
 1
 0
 0
 0
 0
-0
 1
 0
 0
 0
 0
-0
-0
-1
-0
 1
 0
 0
@@ -1088,9 +1038,13 @@
 0
 0
 0
+1
+0
 0
 0
 1
+1
+0
 0
 1
 1
@@ -1098,10 +1052,8 @@
 0
 0
 0
-1
 0
 0
-1
 0
 0
 1
@@ -1109,38 +1061,34 @@
 1
 0
 0
+1
 0
 0
 0
 0
 1
 1
-1
 0
-1
 0
 0
 1
-1
-0
 0
 0
-1
 0
 0
-1
 0
 1
-0
 1
 0
 0
 0
 0
+1
 0
 0
 0
 0
+1
 0
 0
 0
@@ -1156,38 +1104,130 @@
 0
 0
 0
+1
 0
+1
 0
 0
 0
 0
 0
 0
+1
+1
 0
+1
 0
 0
 0
 0
+1
 0
+1
 0
 0
+1
 0
+1
 0
 0
 0
+1
 0
 0
 0
 0
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
+1
 0
 0
+1
 0
 0
+1
+1
 0
 0
 0
 0
 0
+1
 0
 0
 0
@@ -1195,17 +1235,20 @@
 0
 0
 0
+1
 0
+1
+1
 0
+1
+1
 0
 0
 0
 0
 0
 0
-0
-0
-0
+1
 0
 0
 0
@@ -1215,18 +1258,15 @@
 0
 0
 1
-0
-0
 1
-0
 1
-0
 1
 0
 0
 0
 0
 0
+0
 1
 1
 0
@@ -1235,60 +1275,46 @@
 0
 1
 0
-1
 0
-1
-1
 0
 1
-1
 0
-1
 0
 0
+1
 0
 0
-1
 0
 0
 0
 1
+1
 0
 0
 0
 1
 1
 0
-1
 0
-1
 0
-1
 0
 1
 0
 1
 1
-1
 0
-1
 0
 1
 0
 0
 0
 0
-1
 0
 0
 1
 0
 0
-1
-1
-1
 0
-1
 0
 0
 0
@@ -1298,7 +1324,6 @@
 0
 0
 0
-1
 0
 0
 1
@@ -1306,11 +1331,6 @@
 0
 0
 0
-0
-0
-0
-0
-0
 1
 0
 0
@@ -1318,20 +1338,12 @@
 0
 0
 0
-1
-1
-1
-0
-0
 0
 0
 0
 0
 0
 0
-1
-0
-1
 0
 0
 0
@@ -1345,7 +1357,6 @@
 0
 1
 0
-1
 0
 0
 0
@@ -1355,24 +1366,16 @@
 0
 0
 0
-1
-1
-0
 0
 1
-1
-1
-0
-0
 0
 0
+1
 0
 1
 0
 0
 0
-1
-1
 0
 0
 0
@@ -1380,15 +1383,12 @@
 0
 0
 0
-1
 0
+1
 0
 0
 1
-1
 0
-1
-1
 0
 1
 0
@@ -1408,21 +1408,21 @@
 1
 1
 0
-1
+0
 1
 0
 1
 0
 0
-1
+0
 0
 1
 1
 0
 1
 0
-0
 1
+0
 1
 1
 0
@@ -1435,29 +1435,29 @@
 0
 0
 1
-1
 0
 0
-1
-1
-1
-1
-1
 0
+1
 0
 0
 0
 0
 0
-1
 0
-1
 0
 0
+1
 0
+1
 0
 1
 1
+1
+1
+1
+1
+1
 0
 0
 1
@@ -1469,23 +1469,23 @@
 0
 0
 0
-1
 0
-1
+0
 1
 1
 0
 0
-1
-1
 0
 0
 0
 0
 0
-1
 0
-1
+0
+0
+0
+0
+0
 0
 0
 0
@@ -1505,44 +1505,42 @@
 0
 0
 1
-1
 0
 0
-1
 0
-1
-0
-1
 0
 0
 0
 0
 1
-1
 0
 0
 0
 0
-1
+0
 0
 1
+0
+0
+0
 1
+0
 1
+0
 1
 0
+0
 1
 1
 0
 1
 1
 0
-1
 0
 0
 0
 1
-1
-1
+0
 1
 0
 0
@@ -1550,14 +1548,12 @@
 0
 0
 0
-1
 0
 0
 0
 0
 0
 0
-1
 0
 0
 0
@@ -1565,6 +1561,10 @@
 0
 0
 0
+1
+0
+0
+1
 0
 1
 1
@@ -1573,14 +1573,14 @@
 0
 1
 1
+1
 0
 0
 1
-1
 0
 1
-1
 0
+1
 0
 0
 0
@@ -1593,22 +1593,22 @@
 1
 1
 0
+1
 0
 0
 0
 0
 0
 0
-0
-1
 1
 0
 0
 0
 0
+0
 1
 1
-1
+0
 1
 0
 0
@@ -1628,16 +1628,16 @@
 0
 1
 0
-1
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
+0
+0
 0
 0
 0
@@ -1650,14 +1650,14 @@
 0
 1
 1
-0
+1
 1
 1
 0
 0
 0
 1
-1
+0
 0
 0
 1
@@ -1672,17 +1672,17 @@
 0
 1
 0
-1
 0
 0
 0
-1
 0
+1
 0
 0
 0
 0
 0
+1
 0
 0
 0
@@ -1692,9 +1692,9 @@
 0
 1
 0
-1
 0
 1
+1
 0
 0
 1
@@ -1723,7 +1723,7 @@
 0
 0
 0
-1
+0
 1
 0
 0
@@ -1740,7 +1740,7 @@
 0
 0
 1
-0
+1
 1
 1
 0
@@ -1756,15 +1756,7 @@
 1
 1
 0
-1
-1
-1
-1
-0
-1
-0
 0
-1
 0
 0
 0
@@ -1776,26 +1768,32 @@
 0
 0
 0
-1
 0
 0
 0
 1
+1
 0
 0
 0
+1
+1
 0
 0
 1
 0
 0
 0
-1
 0
 0
 0
 0
 1
+1
+1
+0
+0
+0
 0
 0
 1
@@ -1804,9 +1802,9 @@
 0
 0
 0
-1
 0
 0
+1
 0
 0
 0
@@ -1815,6 +1813,9 @@
 1
 0
 1
+1
+0
+0
 0
 0
 0
@@ -1823,7 +1824,6 @@
 0
 0
 0
-1
 0
 0
 1
@@ -1833,7 +1833,7 @@
 0
 0
 1
-1
+0
 1
 1
 0
@@ -1842,14 +1842,11 @@
 0
 1
 0
-1
-1
+0
 1
 1
 0
 0
-1
-1
 0
 0
 1
@@ -1857,22 +1854,25 @@
 0
 0
 0
-1
 0
 1
 0
 1
+0
+0
+0
 1
 0
 0
 0
 0
-1
+0
+0
 0
 0
 1
-1
-1
+0
+0
 0
 0
 0
@@ -1882,6 +1882,7 @@
 0
 0
 0
+1
 0
 0
 0
@@ -1889,22 +1890,21 @@
 0
 0
 0
-1
 0
 1
 0
 0
-1
-1
+0
+0
 1
 0
+0
 1
 0
 0
 1
 1
 1
-0
 1
 0
 0
@@ -1915,7 +1915,7 @@
 0
 0
 0
-0
+1
 1
 0
 0
@@ -1934,10 +1934,13 @@
 1
 1
 0
+1
+1
+1
+1
 0
 0
 0
-1
 0
 0
 0
@@ -1945,15 +1948,12 @@
 0
 0
 0
-1
 0
-1
 0
 0
 0
 1
 0
-1
 0
 1
 0
@@ -1968,26 +1968,26 @@
 1
 1
 1
-1
 0
-1
-1
-1
 0
 0
-1
-1
-1
+0
 1
 0
 0
 0
+0
+0
+0
+0
+0
+0
 1
+0
+0
+0
 1
-1
-1
-1
-1
+0
 1
 0
 1
@@ -1995,7 +1995,7 @@
 0
 0
 1
-1
+0
 1
 0
 0
@@ -2008,41 +2008,32 @@
 0
 0
 0
-1
 0
 0
 0
 0
 0
-1
 0
 1
-1
-1
+0
+0
 1
 0
 1
 0
 0
-1
 0
 0
-1
-1
 0
 0
 0
 0
 0
 0
-1
-1
 0
 0
 0
 0
-1
-1
 0
 0
 1
@@ -2050,17 +2041,14 @@
 0
 0
 0
+1
 0
 0
-1
 0
-1
 0
 0
 0
-1
 0
-1
 0
 0
 0
@@ -2068,17 +2056,10 @@
 0
 0
 0
-1
-1
-1
 0
 0
 0
-1
-1
 0
-1
-1
 0
 0
 0
@@ -2095,8 +2076,7 @@
 0
 1
 1
-1
-1
+0
 0
 1
 0
@@ -2109,12 +2089,13 @@
 0
 1
 0
+1
 0
-0
-0
+1
 0
 0
 1
+0
 1
 0
 1
@@ -2123,6 +2104,11 @@
 0
 0
 0
+1
+0
+0
+0
+0
 0
 0
 1
@@ -2133,13 +2119,14 @@
 0
 1
 0
-1
 0
 0
 0
-1
+0
+0
 0
 1
+1
 0
 0
 1
@@ -2147,7 +2134,8 @@
 0
 0
 0
-1
+0
+0
 0
 1
 0
@@ -2158,23 +2146,33 @@
 0
 0
 0
+0
 1
 0
+1
 0
 0
 0
 0
 1
 0
+0
+1
 1
+0
 1
 0
 0
+0
 1
+0
+0
 1
 0
+0
 1
 1
+0
 1
 0
 0
@@ -2182,6 +2180,9 @@
 0
 1
 0
+0
+0
+0
 1
 0
 0
@@ -2191,17 +2192,15 @@
 0
 0
 0
-1
 0
 0
 1
-1
 0
 0
 0
-1
 0
-1
+0
+0
 1
 0
 0
@@ -2211,12 +2210,13 @@
 0
 0
 1
+1
 0
 1
 1
 1
 0
-1
+0
 0
 0
 0
@@ -2225,25 +2225,16 @@
 0
 0
 0
-1
-1
-1
 0
 0
-1
 0
-1
-1
 0
 0
 1
-1
 0
 1
 0
-1
 0
-1
 0
 1
 0
@@ -2252,24 +2243,24 @@
 0
 0
 0
+1
 0
-0
+1
 0
 1
 0
 0
 0
-1
-1
 0
+1
 0
 0
 1
-1
 0
 0
 0
 1
+1
 0
 1
 0
@@ -2279,10 +2270,9 @@
 0
 0
 0
-1
 0
 0
-1
+0
 0
 1
 0
@@ -2291,17 +2281,27 @@
 0
 0
 0
+0
 1
 0
 1
+0
+0
+0
 1
 0
 0
 0
 0
+0
 1
 0
 0
+0
+0
+0
+0
+1
 1
 1
 0
@@ -2319,27 +2319,27 @@
 0
 1
 0
-1
 0
 0
 0
-1
 0
+1
 0
 1
+1
 0
 1
 0
 0
-1
 0
 0
+1
 0
 0
 0
 0
 1
-1
+0
 0
 1
 0
@@ -2348,16 +2348,16 @@
 0
 1
 0
-1
+0
 0
 0
 0
 1
 0
 0
-1
 0
 0
+1
 0
 0
 1
@@ -2367,7 +2367,7 @@
 1
 0
 0
-1
+0
 1
 0
 0
@@ -2375,11 +2375,7 @@
 0
 0
 0
-1
-1
 0
-1
-1
 0
 0
 0
@@ -2388,32 +2384,32 @@
 0
 0
 1
+0
+0
+1
+0
 1
 1
 0
 0
 1
 1
-0
 1
-0
 1
+0
+0
 1
 0
 1
 0
 0
 0
-1
 0
 0
-1
-1
 0
 0
 1
 0
-1
 0
 0
 0
@@ -2423,13 +2419,17 @@
 0
 0
 0
-1
+0
+0
+0
 0
 1
+0
 1
 1
 0
-1
+0
+0
 0
 0
 0
@@ -2441,44 +2441,44 @@
 0
 1
 0
-0
 1
 1
 0
 0
 0
 1
-0
 1
-0
 1
 1
+0
+1
 1
 0
 0
 0
 0
 0
+1
 0
 0
 0
 1
 0
 0
-1
 0
-1
 0
+1
 0
 0
 0
+1
 0
 0
 0
 1
 0
 0
-1
+0
 1
 0
 0
@@ -2501,32 +2501,29 @@
 1
 0
 1
-1
+0
 0
 1
 1
 0
 0
 0
-1
-1
-1
 0
-1
-1
+0
+0
+0
+0
+0
 0
 0
 1
 1
 0
 1
-1
-0
 0
 0
 0
 0
-1
 0
 0
 1
@@ -2534,23 +2531,26 @@
 1
 0
 0
+1
+0
 0
 0
 0
 0
 1
 1
+1
+0
 0
 0
-1
 0
-1
 1
 0
 0
 0
-1
-1
+0
+0
+0
 0
 1
 0
@@ -2563,12 +2563,12 @@
 0
 0
 1
-1
+0
 0
 1
 0
 0
-1
+0
 0
 1
 0
@@ -2577,30 +2577,30 @@
 0
 0
 1
-0
 1
 0
 0
 0
 0
 0
+1
 0
 0
 0
 1
 0
-1
 0
-1
 0
 0
-1
+0
 0
 1
 0
 0
-1
 0
+1
+1
+1
 0
 1
 0
@@ -2608,20 +2608,15 @@
 0
 0
 0
-1
 0
-1
 0
 0
 0
 0
 0
 0
-1
 0
 0
-1
-1
 0
 1
 0
@@ -2629,14 +2624,19 @@
 0
 0
 1
+0
+0
+0
 1
+0
 1
 0
 0
 0
+0
+1
 1
 1
-0
 0
 0
 0
@@ -2648,25 +2648,25 @@
 0
 0
 0
-1
 0
-1
 0
 1
 0
 1
-1
 0
 0
+1
+0
 0
 0
 1
+1
 0
 0
 1
-1
 0
 1
+0
 1
 0
 0
@@ -2683,18 +2683,15 @@
 0
 1
 0
-1
 0
-1
 0
 1
+0
+0
 1
 1
 1
-1
-0
 0
-1
 0
 0
 0
@@ -2706,11 +2703,9 @@
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
 0
@@ -2721,16 +2716,21 @@
 0
 0
 1
-1
 0
 0
 0
 0
 1
+1
+0
+0
+0
 0
 0
 1
+0
 1
+0
 1
 1
 0
@@ -2738,7 +2738,7 @@
 1
 0
 0
-1
+0
 0
 1
 0
@@ -2747,7 +2747,7 @@
 0
 0
 0
-1
+0
 0
 0
 0
@@ -2758,45 +2758,40 @@
 1
 0
 0
-1
 0
 0
+1
 0
 0
 0
 0
 1
 1
-1
 0
-1
 0
-1
 0
-1
 0
-1
 0
-1
 0
 0
 1
 0
+0
 1
 0
 0
-1
 0
 0
 0
 0
 0
 1
+1
+0
 0
 0
 0
 0
-1
 0
 0
 0
@@ -2805,6 +2800,11 @@
 0
 0
 0
+0
+0
+0
+0
+0
 1
 0
 0
@@ -2813,22 +2813,23 @@
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
-1
 0
-1
 0
 0
+0
+1
+0
+1
 1
 1
 0
 1
+1
 0
 0
 0
@@ -2838,11 +2839,9 @@
 1
 0
 0
-1
-0
 0
 1
-0
+1
 0
 0
 0
@@ -2851,34 +2850,34 @@
 0
 1
 1
+1
 0
 0
 0
 0
 0
-0
+1
 0
 1
 0
 0
 0
 0
-1
+0
 0
 1
 0
 0
 0
 0
+0
 1
-1
-1
+0
 1
 0
 0
 1
 0
-1
 0
 0
 0
@@ -2887,9 +2886,10 @@
 0
 0
 0
-1
 0
 0
+1
+0
 0
 0
 1
@@ -2909,8 +2909,8 @@
 0
 0
 1
-0
 1
+0
 1
 0
 0
@@ -2920,23 +2920,18 @@
 0
 1
 0
-1
+0
 0
 1
 1
 0
-1
 0
-1
 0
-1
 0
 0
-1
 0
-1
-1
-1
+0
+0
 0
 0
 0
@@ -2944,12 +2939,16 @@
 0
 0
 0
-1
-1
+0
+0
+0
+0
 0
 1
 0
 0
+1
+1
 0
 1
 1
@@ -2964,6 +2963,7 @@
 0
 0
 0
+0
 1
 0
 0
@@ -2975,14 +2975,10 @@
 1
 0
 0
-1
-0
 0
 1
 0
 0
-1
-1
 0
 0
 0
@@ -2990,19 +2986,21 @@
 0
 0
 0
-1
+0
 0
 0
 0
 0
 1
 0
+0
 1
+0
+0
 1
 0
 0
 0
-1
 0
 0
 0
@@ -3010,6 +3008,8 @@
 0
 1
 0
+1
+0
 0
 1
 0
@@ -3021,33 +3021,33 @@
 0
 0
 0
-1
+0
+0
+0
 0
 1
+1
 0
 1
 0
 0
 0
-1
 0
 0
 1
 0
-1
-1
 0
 1
 0
 0
 0
+1
 0
 0
 0
 0
 0
 1
-1
 0
 0
 1
@@ -3056,17 +3056,17 @@
 0
 0
 1
-1
+0
 0
 0
 0
 1
 0
 0
-1
 0
 0
 0
+1
 0
 0
 0
@@ -3078,19 +3078,18 @@
 0
 0
 0
-1
+0
 0
 0
 0
 0
 1
 1
-1
+0
 1
 1
 0
 0
-1
 0
 0
 0
@@ -3099,25 +3098,23 @@
 0
 0
 0
-1
 0
-1
-1
+0
+0
+0
+0
 1
 1
 0
 1
 1
-1
 0
 1
 0
 0
-1
 0
 0
 0
-1
 0
 0
 0
@@ -3129,20 +3126,23 @@
 0
 0
 0
-1
-1
 0
 0
 0
 1
-1
 0
 0
 0
 0
+1
+0
+0
+0
 0
+1
 0
 0
+1
 0
 1
 0
@@ -3160,6 +3160,13 @@
 0
 0
 0
+1
+1
+0
+0
+0
+0
+1
 0
 1
 0
@@ -3168,7 +3175,9 @@
 0
 0
 0
-1
+0
+0
+0
 1
 0
 1
@@ -3176,31 +3185,22 @@
 0
 0
 0
-1
 0
-1
 0
-1
-1
 0
 1
 0
-1
+0
 0
 0
 1
 0
 0
-1
-1
-1
 0
 0
 0
 0
 0
-1
-1
 0
 0
 1
@@ -3211,7 +3211,7 @@
 0
 0
 0
-1
+0
 0
 0
 1
@@ -3220,43 +3220,43 @@
 0
 1
 0
-0
+1
 0
 0
 1
 0
 0
+0
 1
 0
 0
-1
 0
 0
 0
 1
 1
+1
 0
+1
 0
 1
 0
 0
 0
-1
 0
 0
 1
-1
 0
 0
 0
 0
-1
 0
-1
 0
 1
 0
-1
+0
+0
+0
 0
 0
 0
@@ -3269,42 +3269,37 @@
 1
 0
 0
-0
-0
 1
 0
+1
 0
 0
 0
 0
 0
-1
 0
 0
-1
-1
 0
 0
 1
 1
 0
 0
-1
 0
 1
 0
 0
 1
-1
 0
 0
 0
 1
 1
 0
-0
+1
 1
 0
+1
 0
 0
 0
@@ -3314,16 +3309,21 @@
 0
 0
 1
-1
 0
 0
 0
-1
 0
 1
 1
+0
+0
 1
 1
+0
+0
+0
+0
+0
 1
 0
 0
@@ -3332,7 +3332,6 @@
 0
 0
 0
-1
 0
 0
 0
@@ -3344,7 +3343,6 @@
 0
 0
 0
-1
 0
 0
 0
@@ -3352,12 +3350,12 @@
 0
 0
 0
-1
 0
-1
 0
+1
 0
 0
+1
 0
 0
 0
@@ -3366,11 +3364,13 @@
 0
 0
 0
-1
 0
 0
+1
 0
+1
 0
+1
 0
 1
 0
@@ -3389,7 +3389,7 @@
 1
 0
 0
-1
+0
 0
 1
 0
@@ -3402,8 +3402,8 @@
 0
 1
 0
-1
-1
+0
+0
 0
 0
 0
@@ -3421,7 +3421,7 @@
 0
 0
 0
-1
+0
 0
 0
 1
@@ -3433,19 +3433,20 @@
 1
 0
 0
-1
 0
 0
 0
 0
 0
 0
-1
-1
+0
+0
+0
 0
 0
 0
 1
+0
 1
 1
 0
@@ -3459,22 +3460,21 @@
 1
 1
 1
-1
-1
 0
 0
-1
+0
+0
 0
 1
-1
-1
+0
+0
 1
 0
 0
 0
 0
 1
-1
+0
 0
 0
 1
@@ -3487,18 +3487,16 @@
 1
 0
 0
+1
 0
 0
 1
-1
-1
-1
 0
+1
 0
 0
 0
 0
-1
 0
 1
 0
@@ -3506,22 +3504,24 @@
 0
 1
 0
-1
-1
-1
 0
 0
+1
 0
 1
+0
 1
+0
 1
 1
 0
-1
 0
 0
 0
 0
+1
+0
+1
 0
 0
 0
@@ -3537,14 +3537,14 @@
 0
 0
 0
-1
+0
 1
 0
 0
-1
 0
 0
-1
+0
+0
 0
 0
 0
@@ -3565,16 +3565,12 @@
 0
 0
 0
+1
 0
 0
-1
 0
-1
 0
-1
 0
-1
-1
 0
 0
 0
@@ -3583,6 +3579,10 @@
 0
 0
 1
+0
+0
+0
+0
 1
 0
 1
@@ -3597,7 +3597,7 @@
 0
 0
 1
-1
+0
 0
 0
 1
@@ -3608,45 +3608,45 @@
 1
 0
 1
-1
 0
 0
-1
+0
+0
 1
 1
 0
 1
 0
 0
-1
 0
 0
 0
 0
+1
+0
 0
 0
 1
 1
-1
+0
 0
 0
 0
 0
 1
+0
 1
 0
 0
 0
 0
-1
 0
 0
-1
+0
+0
 0
 1
 1
-1
-0
 0
 0
 0
@@ -3658,27 +3658,27 @@
 1
 0
 1
-1
 0
 0
 0
 0
-1
 0
-1
 0
 0
 0
 0
 0
 0
-1
+0
+0
 0
 0
 0
 0
 0
 1
+0
+1
 1
 0
 0
@@ -3686,17 +3686,17 @@
 1
 0
 0
-1
 0
 0
 0
 0
 1
+0
 1
+0
 1
 1
 0
-0
 1
 0
 0
@@ -3706,22 +3706,21 @@
 1
 0
 0
+1
+0
 0
 0
 0
-1
 0
 0
-1
 0
 0
 1
 0
 0
-1
 0
 0
-1
+0
 0
 0
 1
@@ -3730,6 +3729,7 @@
 0
 0
 0
+0
 1
 0
 0
@@ -3737,30 +3737,30 @@
 0
 0
 0
-1
-1
 0
-1
 0
 0
 1
-1
 0
 0
-1
-1
 0
 0
 0
+0
+1
 1
 0
 0
 0
+0
 1
 0
+0
 1
 0
 1
+0
+0
 1
 0
 0
@@ -3774,24 +3774,24 @@
 0
 0
 0
-1
 0
-1
 0
-1
 0
-1
 0
 1
 0
 1
-1
+0
 1
 0
 0
 1
 0
 0
+0
+0
+0
+0
 1
 0
 0
@@ -3811,8 +3811,8 @@
 0
 0
 0
-1
 0
+1
 0
 0
 0
@@ -3827,7 +3827,7 @@
 0
 1
 1
-1
+0
 0
 0
 1
@@ -3853,9 +3853,8 @@
 0
 0
 0
-0
-0
 1
+0
 1
 0
 0
@@ -3868,33 +3867,34 @@
 0
 0
 0
-1
-1
-1
 0
 0
 0
-1
 0
-1
 0
 0
-1
+0
 0
 0
 1
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
+0
+0
+0
+0
 0
 0
 1
+0
+0
+0
 1
 1
 0
@@ -3903,7 +3903,7 @@
 0
 0
 0
-1
+0
 0
 0
 0
@@ -3917,7 +3917,7 @@
 0
 1
 1
-0
+1
 0
 1
 0
@@ -3925,19 +3925,19 @@
 0
 0
 0
+0
 1
 0
 0
 0
-1
 0
-1
 0
-1
 0
 1
-1
-1
+0
+0
+0
+0
 0
 0
 1
@@ -3966,7 +3966,7 @@
 0
 0
 0
-1
+0
 0
 0
 0
@@ -3978,33 +3978,29 @@
 0
 0
 0
-1
+0
 0
 1
 1
 0
 0
-1
 0
 0
 0
-1
 0
 0
 0
-1
-1
 0
 0
-1
 0
 0
 0
 1
 1
+1
+0
 0
 0
-1
 0
 0
 0
@@ -4012,7 +4008,14 @@
 0
 0
 0
+1
+0
+1
+1
+0
 0
+1
+1
 0
 0
 0
@@ -4022,10 +4025,7 @@
 0
 0
 0
-1
 0
-1
-1
 0
 1
 1
@@ -4044,8 +4044,8 @@
 0
 0
 0
-0
 1
+0
 1
 1
 0
@@ -4060,23 +4060,23 @@
 1
 1
 0
-1
+0
 1
 0
 0
-1
 0
 0
-1
+0
 1
 0
+1
 0
 0
 1
 0
 0
 0
-1
+0
 0
 0
 0
@@ -4085,7 +4085,7 @@
 1
 0
 0
-1
+0
 0
 1
 1
@@ -4095,6 +4095,9 @@
 0
 1
 0
+1
+0
+1
 0
 0
 0
@@ -4107,11 +4110,8 @@
 0
 0
 0
-1
 0
 0
-1
-1
 0
 1
 1
@@ -4122,10 +4122,10 @@
 0
 0
 0
-0
 1
 0
 0
+0
 1
 0
 0
@@ -4134,7 +4134,7 @@
 0
 0
 1
-1
+0
 0
 0
 1
@@ -4145,37 +4145,37 @@
 0
 0
 0
-1
 0
+1
 0
 0
 0
 0
 1
 0
-1
-1
+0
+0
 0
 1
 0
 0
 0
-1
 0
 0
 0
-1
-1
 0
 0
 0
+1
+0
+1
 0
 0
 0
 0
 0
 1
-1
+0
 1
 1
 1
@@ -4189,25 +4189,26 @@
 1
 1
 1
-1
 0
 0
 0
-1
 0
 1
 0
 0
 0
-1
 0
 1
-1
+0
+0
 0
 1
 0
+0
+0
 1
 1
+0
 1
 1
 1
@@ -4218,28 +4219,21 @@
 0
 0
 0
-1
 0
 0
 0
 1
-1
 0
-1
 0
 0
 0
 0
 0
-1
 0
 0
 1
 0
 0
-0
-1
-0
 1
 0
 0
@@ -4249,28 +4243,28 @@
 0
 1
 0
-1
 0
 0
 0
 0
+1
 0
 0
 0
 0
 0
-1
 0
-1
 0
 0
 0
 0
 0
 1
-1
 0
 1
+1
+0
+0
 0
 0
 1
@@ -4278,7 +4272,6 @@
 0
 0
 0
-1
 0
 0
 1
@@ -4289,19 +4282,24 @@
 0
 0
 0
-1
-1
 0
 0
 0
-1
+0
+0
 1
 0
+0
 1
 1
 0
+0
 1
-1
+0
+0
+0
+0
+0
 1
 1
 0
@@ -4312,6 +4310,8 @@
 0
 0
 0
+0
+0
 1
 0
 1
@@ -4329,30 +4329,30 @@
 0
 0
 1
+0
 1
+0
+0
+0
+0
 1
 0
 0
 0
-1
-1
 0
-1
-1
 0
 0
 0
 0
-1
 0
 1
-1
+0
 1
 0
 0
 0
 0
-1
+0
 0
 0
 0
@@ -4365,50 +4365,50 @@
 1
 1
 1
+0
 1
+0
 1
+0
 1
 1
 0
 1
-1
 0
 0
 0
 0
 0
 0
+1
 0
 0
+1
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
 0
 0
+1
 0
 0
-1
 0
 0
 0
+1
 0
 0
 0
 0
 0
 0
-1
 0
 0
-1
-1
 0
 0
 1
@@ -4419,12 +4419,12 @@
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
+0
 0
 1
 0
@@ -4437,11 +4437,7 @@
 0
 0
 0
-1
 0
-1
-1
-1
 0
 1
 0
@@ -4452,7 +4448,11 @@
 0
 0
 0
-1
+0
+0
+0
+0
+0
 0
 1
 0
@@ -4466,7 +4466,7 @@
 0
 1
 0
-1
+0
 0
 0
 0
@@ -4479,11 +4479,11 @@
 0
 0
 0
+1
 0
 0
 0
 1
-0
 1
 1
 0
@@ -4495,19 +4495,17 @@
 0
 0
 0
-1
-1
-1
 0
 1
 0
 0
+1
 0
 0
 1
 0
 0
-1
+0
 0
 1
 0
@@ -4516,8 +4514,10 @@
 0
 0
 0
+0
+0
 1
-1
+0
 1
 0
 0
@@ -4528,8 +4528,8 @@
 1
 1
 0
-1
-1
+0
+0
 1
 0
 0
@@ -4537,59 +4537,59 @@
 0
 0
 0
-1
-1
+0
+0
+0
 0
 0
 1
 1
 0
-1
 0
-1
 0
 0
-1
 0
 1
 0
 1
 0
 0
+0
+0
 1
 0
 1
 0
 0
-1
+0
 0
 0
 1
 0
 0
-1
+0
 1
 0
 0
 1
-1
-1
 0
-1
 0
-1
+0
+0
 0
 1
 0
 1
 0
 1
+1
+1
 0
 0
 1
 1
 0
-0
+1
 1
 0
 0
@@ -4611,17 +4611,15 @@
 1
 0
 0
-1
 0
 0
 0
-1
 0
+1
 0
 0
 0
 0
-1
 0
 0
 0
@@ -4631,14 +4629,16 @@
 0
 0
 0
+0
+0
+1
 1
 1
 0
 0
 0
 0
-1
-1
+0
 0
 1
 1
@@ -4656,7 +4656,7 @@
 0
 1
 1
-1
+0
 0
 0
 0
@@ -4686,7 +4686,7 @@
 0
 0
 0
-0
+1
 0
 1
 0
@@ -4695,23 +4695,21 @@
 0
 0
 0
-1
 0
 0
+1
+0
 0
 0
 1
-1
 0
 1
 0
-1
 0
 0
 0
 0
 0
-1
 0
 1
 0
@@ -4723,32 +4721,34 @@
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
 0
 0
-1
+0
+0
+0
+0
 0
 1
+0
 1
 0
 0
 0
-1
 0
 0
 0
 0
 0
+0
+1
 1
 0
 0
@@ -4762,7 +4762,6 @@
 0
 1
 0
-0
 1
 0
 0
@@ -4774,6 +4773,7 @@
 0
 1
 1
+1
 0
 0
 1
@@ -4789,26 +4789,26 @@
 0
 0
 0
-1
 0
 0
 0
-1
-1
 0
-1
-1
 0
 1
 0
 1
 0
+0
 1
+1
+0
 0
+1
 0
 0
 1
 1
+1
 0
 1
 1
@@ -4817,6 +4817,8 @@
 0
 0
 0
+0
+0
 1
 0
 0
@@ -4825,8 +4827,6 @@
 0
 0
 0
-1
-1
 0
 0
 0
@@ -4837,14 +4837,14 @@
 0
 1
 0
+1
 0
 0
-1
 0
 0
 1
 1
-1
+0
 0
 0
 0
@@ -4852,33 +4852,25 @@
 0
 0
 0
-1
-1
 0
 1
 0
 0
-1
-1
 0
-1
 0
 0
 1
 0
 0
 0
-1
-1
 0
-1
 0
-1
 0
 0
 0
 0
 1
+0
 1
 0
 0
@@ -4886,25 +4878,33 @@
 0
 0
 0
+0
+0
+0
+0
+0
 1
+0
+0
 1
 1
 0
 0
 0
 0
-0
 1
+0
 1
 1
+0
 1
 1
 0
 0
+1
 0
 0
 0
-1
 0
 0
 0
@@ -4917,25 +4917,25 @@
 1
 1
 1
-0
 1
 0
 0
 0
 0
 0
-0
 1
 0
 0
 0
 0
-1
 0
 0
+1
 0
 1
+0
 1
+0
 1
 1
 0
@@ -4949,13 +4949,8 @@
 0
 0
 0
-1
-1
-1
 0
 0
-1
-1
 0
 0
 0
@@ -4968,15 +4963,20 @@
 0
 0
 0
-1
+0
+0
 1
 0
+1
+1
 0
 0
 0
 0
 1
 0
+1
+1
 0
 1
 0
@@ -4987,23 +4987,20 @@
 0
 0
 0
-0
 1
-0
+1
 0
 1
 1
-0
+1
+1
 1
 0
 0
 0
 0
-1
 0
-1
 0
-1
 0
 0
 1
@@ -5012,14 +5009,16 @@
 1
 0
 0
+1
 0
 0
-0
+1
 0
 0
 1
 0
-1
+0
+0
 1
 1
 1
@@ -5028,7 +5027,8 @@
 0
 0
 0
-1
+0
+0
 1
 0
 0
@@ -5043,19 +5043,18 @@
 0
 1
 0
-1
-0
 0
-1
 0
 0
+1
 0
 0
 0
 0
 0
 1
-0
+1
+1
 0
 0
 0
@@ -5064,20 +5063,20 @@
 0
 0
 0
-1
 0
 0
 0
-1
+0
 0
 1
-1
+0
 1
 1
 0
 1
+0
 1
-1
+0
 1
 0
 0
@@ -5085,21 +5084,22 @@
 0
 0
 0
-1
 0
-1
-1
 0
 0
 0
 0
-1
+0
+0
+0
 0
 1
+0
+0
 1
 1
 0
-1
+0
 0
 1
 0
@@ -5117,15 +5117,15 @@
 0
 1
 0
+1
+1
+1
+0
 0
 0
-1
 0
 0
-1
 0
-1
-1
 0
 0
 0
@@ -5133,14 +5133,14 @@
 0
 0
 0
-1
 0
-1
 0
 0
-1
-1
 0
+0
+0
+0
+1
 1
 0
 1
@@ -5163,7 +5163,7 @@
 0
 1
 0
-0
+1
 0
 0
 1
@@ -5199,22 +5199,21 @@
 0
 0
 0
-1
+0
 0
 0
 1
 1
 0
+1
 0
 0
 0
-1
 0
 0
 0
 0
 1
-1
 0
 0
 0
@@ -5224,16 +5223,14 @@
 0
 1
 0
+1
 0
 0
 0
 0
 0
 0
-1
 0
-1
-1
 0
 1
 1
@@ -5241,7 +5238,10 @@
 1
 0
 0
+1
+0
 0
+1
 0
 0
 1
@@ -5253,20 +5253,20 @@
 0
 0
 0
-1
+0
 0
 1
 0
 0
-1
 0
-1
 0
 0
 0
-1
 0
-1
+0
+0
+0
+0
 0
 1
 0
diff --git a/dev-0/outNB.tsv b/dev-0/outNB.tsv
new file mode 100644
index 0000000..962881e
--- /dev/null
+++ b/dev-0/outNB.tsv
@@ -0,0 +1,5272 @@
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+1
+1
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+1
+1
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+1
+1
+1
+0
+1
+0
+1
+1
+1
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+1
+1
+0
+1
+1
+0
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+1
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+1
+0
+1
+0
+1
+1
+1
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+1
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+1
+1
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+1
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+1
+1
+0
+1
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+1
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+1
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+1
+1
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
diff --git a/run.ipynb b/run.ipynb
index 5838b91..6446a0e 100644
--- a/run.ipynb
+++ b/run.ipynb
@@ -2,134 +2,587 @@
  "cells": [
   {
    "cell_type": "code",
-   "execution_count": 9,
+   "execution_count": 27,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
    "outputs": [],
    "source": [
     "#!/usr/bin/env python\n",
     "# coding: utf-8\n",
-    "\n",
-    "from sklearn.naive_bayes import MultinomialNB\n",
-    "from sklearn.metrics import  accuracy_score\n",
-    "from sklearn.feature_extraction.text import CountVectorizer\n",
     "import lzma\n",
-    "\n",
+    "from gensim.models import Word2Vec\n",
+    "import gensim.downloader\n",
+    "import numpy as np\n",
+    "import pandas as pd\n",
+    "import torch"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 2,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
     "X_train = lzma.open(\"train/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()\n",
-    "y_train = open('train/expected.tsv').readlines()\n",
+    "y_train = np.array(open('train/expected.tsv').readlines())\n",
     "X_dev0 = lzma.open(\"dev-0/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()\n",
-    "y_expected_dev0 = open(\"dev-0/expected.tsv\", \"r\").readlines()\n",
+    "y_expected_dev0 = np.array(open(\"dev-0/expected.tsv\", \"r\").readlines())\n",
     "X_test = lzma.open(\"test-A/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()"
-   ],
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   }
+   ]
   },
   {
    "cell_type": "code",
-   "execution_count": 10,
+   "execution_count": 3,
+   "metadata": {},
    "outputs": [],
    "source": [
-    "count_vect = CountVectorizer()\n",
-    "X_train_counts = count_vect.fit_transform(X_train)\n",
-    "X_dev0_counts = count_vect.transform(X_dev0)\n",
-    "X_test_counts = count_vect.transform(X_test)"
-   ],
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   }
+    "X_train = [line.split() for line in X_train]\n",
+    "X_dev0 = [line.split() for line in X_dev0]\n",
+    "X_test = [line.split() for line in X_test]"
+   ]
   },
   {
    "cell_type": "code",
-   "execution_count": 11,
+   "execution_count": 62,
+   "metadata": {},
    "outputs": [],
    "source": [
-    "clf = MultinomialNB().fit(X_train_counts, y_train)\n",
+    "model_w2v = Word2Vec(X_train, vector_size=100, window=5, min_count=1, workers=4)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 79,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def vectorize(model, data):\n",
+    "    return np.array([np.mean([model.wv[word] if word in model.wv.key_to_index else np.zeros(100, dtype=float) for word in doc], axis=0) for doc in data])\n",
+    "    "
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 80,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "X_train_w2v = vectorize(model_w2v, X_train)\n",
+    "X_dev0_w2v = vectorize(model_w2v, X_dev0)\n",
+    "X_test_w2v = vectorize(model_w2v, X_test)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 63,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "FEATURES = 100\n",
     "\n",
-    "y_predicted_dev0_MNB = clf.predict(X_dev0_counts)\n",
-    "y_predicted_test_MNB = clf.predict(X_test_counts)"
-   ],
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   }
+    "class NeuralNetworkModel(torch.nn.Module):\n",
+    "\n",
+    "    def __init__(self):\n",
+    "        super(NeuralNetworkModel, self).__init__()\n",
+    "        self.fc1 = torch.nn.Linear(FEATURES,500)\n",
+    "        self.fc2 = torch.nn.Linear(500,1)\n",
+    "\n",
+    "    def forward(self, x):\n",
+    "        x = self.fc1(x)\n",
+    "        x = torch.relu(x)\n",
+    "        x = self.fc2(x)\n",
+    "        x = torch.sigmoid(x)\n",
+    "        return x"
+   ]
   },
   {
    "cell_type": "code",
-   "execution_count": 12,
+   "execution_count": 145,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "nn_model = NeuralNetworkModel()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 146,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "BATCH_SIZE = 42"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 147,
+   "metadata": {
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "criterion = torch.nn.BCELoss()"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 148,
+   "metadata": {
+    "pycharm": {
+     "is_executing": true,
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "optimizer = torch.optim.SGD(nn_model.parameters(), lr = 0.1)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 149,
+   "metadata": {
+    "pycharm": {
+     "is_executing": true,
+     "name": "#%%\n"
+    }
+   },
+   "outputs": [],
+   "source": [
+    "def get_loss_acc(model, X_dataset, Y_dataset):\n",
+    "    loss_score = 0\n",
+    "    acc_score = 0\n",
+    "    items_total = 0\n",
+    "    model.eval()\n",
+    "    for i in range(0, Y_dataset.shape[0], BATCH_SIZE):\n",
+    "        X = np.array(X_dataset[i:i+BATCH_SIZE]).astype(np.float32)\n",
+    "        X = torch.tensor(X)\n",
+    "        Y = Y_dataset[i:i+BATCH_SIZE]\n",
+    "        Y = torch.tensor(Y.astype(np.float32)).reshape(-1,1)\n",
+    "        Y_predictions = model(X)\n",
+    "        acc_score += torch.sum((Y_predictions > 0.5) == Y).item()\n",
+    "        items_total += Y.shape[0]\n",
+    "\n",
+    "        loss = criterion(Y_predictions, Y)\n",
+    "\n",
+    "        loss_score += loss.item() * Y.shape[0]\n",
+    "    return (loss_score / items_total), (acc_score / items_total)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 150,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "def predict(model, data):\n",
+    "    model.eval()\n",
+    "    predictions = []\n",
+    "    for x in data:\n",
+    "        X = torch.tensor(np.array(x).astype(np.float32))\n",
+    "        Y_predictions = model(X)\n",
+    "        if Y_predictions[0] > 0.5:\n",
+    "            predictions.append(\"1\")\n",
+    "        else:\n",
+    "            predictions.append(\"0\")\n",
+    "    return predictions"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 151,
+   "metadata": {
+    "pycharm": {
+     "is_executing": true,
+     "name": "#%%\n"
+    }
+   },
    "outputs": [
     {
-     "name": "stdout",
-     "output_type": "stream",
-     "text": [
-      "Accuracy dev0: 0.8025417298937785\n"
-     ]
+     "data": {
+      "text/plain": [
+       "0"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.49161445487174543, 0.7499197110287693)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4990149180719994, 0.7420333839150227)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "1"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.486242138754709, 0.7533833599812141)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4960476360955079, 0.7448786039453718)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "2"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.48170865143118824, 0.7566018254086104)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.49339661830880754, 0.7448786039453718)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "3"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.47863767532834156, 0.7587877573995352)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.49210414077877457, 0.7503793626707133)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "4"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4755889592268004, 0.7613466446116604)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.49055553189223017, 0.753793626707132)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "5"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.47395927866325194, 0.7623273787118541)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4905445413022374, 0.7541729893778453)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "6"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4721670034531442, 0.7639055318237855)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4896522785377249, 0.7522761760242792)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "7"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4713666787153674, 0.7644166186083936)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4897225151384003, 0.7532245827010622)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "8"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4687599671611641, 0.7661674361745845)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4882916720620779, 0.7524658573596358)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "9"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.4669961705231401, 0.767617817590364)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
+    },
+    {
+     "data": {
+      "text/plain": [
+       "(0.48753329053272426, 0.7534142640364189)"
+      ]
+     },
+     "metadata": {},
+     "output_type": "display_data"
     }
    ],
    "source": [
-    "accuracy_dev0_MNB = accuracy_score(y_expected_dev0, y_predicted_dev0_MNB)\n",
-    "print(f\"Accuracy dev0: {accuracy_dev0_MNB}\")\n"
-   ],
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   }
+    "for epoch in range(10):\n",
+    "    loss_score = 0\n",
+    "    acc_score = 0\n",
+    "    items_total = 0\n",
+    "    nn_model.train()\n",
+    "    for i in range(0, y_train.shape[0], BATCH_SIZE):\n",
+    "        X = X_train_w2v[i:i+BATCH_SIZE]\n",
+    "        X = torch.tensor(X)\n",
+    "        Y = y_train[i:i+BATCH_SIZE]\n",
+    "        Y = torch.tensor(Y.astype(np.float32)).reshape(-1,1)\n",
+    "        Y_predictions = nn_model(X)\n",
+    "        acc_score += torch.sum((Y_predictions > 0.5) == Y).item()\n",
+    "        items_total += Y.shape[0]\n",
+    "\n",
+    "        optimizer.zero_grad()\n",
+    "        loss = criterion(Y_predictions, Y)\n",
+    "        loss.backward()\n",
+    "        optimizer.step()\n",
+    "\n",
+    "        loss_score += loss.item() * Y.shape[0]\n",
+    "\n",
+    "    display(epoch)\n",
+    "    display(get_loss_acc(nn_model, X_train_w2v, y_train))\n",
+    "    display(get_loss_acc(nn_model, X_dev0_w2v, y_expected_dev0))"
+   ]
   },
   {
    "cell_type": "code",
-   "execution_count": 13,
-   "outputs": [],
-   "source": [
-    "open(\"dev-0/out.tsv\", mode='w').writelines(y_predicted_dev0_MNB)\n",
-    "open(\"test-A/out.tsv\", mode='w').writelines(y_predicted_test_MNB)"
-   ],
+   "execution_count": 152,
    "metadata": {
-    "collapsed": false,
     "pycharm": {
      "name": "#%%\n"
     }
-   }
+   },
+   "outputs": [],
+   "source": [
+    "y_pred_dev0 = predict(nn_model, X_dev0_w2v)\n",
+    "y_pred_test = predict(nn_model, X_test_w2v)"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 153,
+   "metadata": {},
+   "outputs": [],
+   "source": []
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 158,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "open('dev-0/out.tsv', 'w').writelines([i+'\\n' for i in y_pred_dev0])"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 159,
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "open('test-A/out.tsv', 'w').writelines([i+'\\n' for i in y_pred_test])"
+   ]
   },
   {
    "cell_type": "code",
    "execution_count": null,
+   "metadata": {},
    "outputs": [],
-   "source": [],
-   "metadata": {
-    "collapsed": false,
-    "pycharm": {
-     "name": "#%%\n"
-    }
-   }
+   "source": []
   }
  ],
  "metadata": {
   "kernelspec": {
-   "display_name": "Python 3",
+   "display_name": "Python 3 (ipykernel)",
    "language": "python",
    "name": "python3"
   },
   "language_info": {
    "codemirror_mode": {
     "name": "ipython",
-    "version": 2
+    "version": 3
    },
    "file_extension": ".py",
    "mimetype": "text/x-python",
    "name": "python",
    "nbconvert_exporter": "python",
-   "pygments_lexer": "ipython2",
-   "version": "2.7.6"
+   "pygments_lexer": "ipython3",
+   "version": "3.9.7"
   }
  },
  "nbformat": 4,
- "nbformat_minor": 0
-}
\ No newline at end of file
+ "nbformat_minor": 1
+}
diff --git a/run.py b/run.py
old mode 100644
new mode 100755
index 20b9f90..a3e61aa
--- a/run.py
+++ b/run.py
@@ -1,24 +1,114 @@
 #!/usr/bin/env python
 # coding: utf-8
-from sklearn.naive_bayes import MultinomialNB
-from sklearn.metrics import  accuracy_score
-from sklearn.feature_extraction.text import CountVectorizer
 import lzma
+from gensim.models import Word2Vec
+import gensim.downloader
+import numpy as np
+import pandas as pd
+import torch
 
 X_train = lzma.open("train/in.tsv.xz", mode='rt', encoding='utf-8').readlines()
-y_train = open('train/expected.tsv').readlines()
+y_train = np.array(open('train/expected.tsv').readlines())
 X_dev0 = lzma.open("dev-0/in.tsv.xz", mode='rt', encoding='utf-8').readlines()
-y_expected_dev0 = open("dev-0/expected.tsv", "r").readlines()
+y_expected_dev0 = np.array(open("dev-0/expected.tsv", "r").readlines())
 X_test = lzma.open("test-A/in.tsv.xz", mode='rt', encoding='utf-8').readlines()
 
-count_vect = CountVectorizer()
-X_train_counts = count_vect.fit_transform(X_train)
-X_dev0_counts = count_vect.transform(X_dev0)
-X_test_counts = count_vect.transform(X_test)
+X_train = [line.split() for line in X_train]
+X_dev0 = [line.split() for line in X_dev0]
+X_test = [line.split() for line in X_test]
 
-clf = MultinomialNB().fit(X_train_counts, y_train)
-y_predicted_dev0_MNB = clf.predict(X_dev0_counts)
-y_predicted_test_MNB = clf.predict(X_test_counts)
+model_w2v = Word2Vec(X_train, vector_size=100, window=5, min_count=1, workers=4)
 
-open("dev-0/out.tsv", mode='w').writelines(y_predicted_dev0_MNB)
-open("test-A/out.tsv", mode='w').writelines(y_predicted_test_MNB)
+def vectorize(model, data):
+    return np.array([np.mean([model.wv[word] if word in model.wv.key_to_index else np.zeros(100, dtype=float) for word in doc], axis=0) for doc in data])
+    
+
+X_train_w2v = vectorize(model_w2v, X_train)
+X_dev0_w2v = vectorize(model_w2v, X_dev0)
+X_test_w2v = vectorize(model_w2v, X_test)
+
+
+FEATURES = 100
+
+class NeuralNetworkModel(torch.nn.Module):
+
+    def __init__(self):
+        super(NeuralNetworkModel, self).__init__()
+        self.fc1 = torch.nn.Linear(FEATURES,500)
+        self.fc2 = torch.nn.Linear(500,1)
+
+    def forward(self, x):
+        x = self.fc1(x)
+        x = torch.relu(x)
+        x = self.fc2(x)
+        x = torch.sigmoid(x)
+        return x
+
+
+nn_model = NeuralNetworkModel()
+BATCH_SIZE = 42
+criterion = torch.nn.BCELoss()
+optimizer = torch.optim.SGD(nn_model.parameters(), lr = 0.1)
+
+def get_loss_acc(model, X_dataset, Y_dataset):
+    loss_score = 0
+    acc_score = 0
+    items_total = 0
+    model.eval()
+    for i in range(0, Y_dataset.shape[0], BATCH_SIZE):
+        X = np.array(X_dataset[i:i+BATCH_SIZE]).astype(np.float32)
+        X = torch.tensor(X)
+        Y = Y_dataset[i:i+BATCH_SIZE]
+        Y = torch.tensor(Y.astype(np.float32)).reshape(-1,1)
+        Y_predictions = model(X)
+        acc_score += torch.sum((Y_predictions > 0.5) == Y).item()
+        items_total += Y.shape[0]
+
+        loss = criterion(Y_predictions, Y)
+
+        loss_score += loss.item() * Y.shape[0]
+    return (loss_score / items_total), (acc_score / items_total)
+
+def predict(model, data):
+    model.eval()
+    predictions = []
+    for x in data:
+        X = torch.tensor(np.array(x).astype(np.float32))
+        Y_predictions = model(X)
+        if Y_predictions[0] > 0.5:
+            predictions.append("1")
+        else:
+            predictions.append("0")
+    return predictions
+
+for epoch in range(10):
+    loss_score = 0
+    acc_score = 0
+    items_total = 0
+    nn_model.train()
+    for i in range(0, y_train.shape[0], BATCH_SIZE):
+        X = X_train_w2v[i:i+BATCH_SIZE]
+        X = torch.tensor(X)
+        Y = y_train[i:i+BATCH_SIZE]
+        Y = torch.tensor(Y.astype(np.float32)).reshape(-1,1)
+        Y_predictions = nn_model(X)
+        acc_score += torch.sum((Y_predictions > 0.5) == Y).item()
+        items_total += Y.shape[0]
+
+        optimizer.zero_grad()
+        loss = criterion(Y_predictions, Y)
+        loss.backward()
+        optimizer.step()
+
+        loss_score += loss.item() * Y.shape[0]
+
+    display(epoch)
+    display(get_loss_acc(nn_model, X_train_w2v, y_train))
+    display(get_loss_acc(nn_model, X_dev0_w2v, y_expected_dev0))
+
+
+y_pred_dev0 = predict(nn_model, X_dev0_w2v)
+y_pred_test = predict(nn_model, X_test_w2v)
+
+open('dev-0/out.tsv', 'w').writelines([i+'\n' for i in y_pred_dev0])
+open('test-A/out.tsv', 'w').writelines([i+'\n' for i in y_pred_test])
\ No newline at end of file
diff --git a/runNB.ipynb b/runNB.ipynb
new file mode 100644
index 0000000..5838b91
--- /dev/null
+++ b/runNB.ipynb
@@ -0,0 +1,135 @@
+{
+ "cells": [
+  {
+   "cell_type": "code",
+   "execution_count": 9,
+   "outputs": [],
+   "source": [
+    "#!/usr/bin/env python\n",
+    "# coding: utf-8\n",
+    "\n",
+    "from sklearn.naive_bayes import MultinomialNB\n",
+    "from sklearn.metrics import  accuracy_score\n",
+    "from sklearn.feature_extraction.text import CountVectorizer\n",
+    "import lzma\n",
+    "\n",
+    "X_train = lzma.open(\"train/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()\n",
+    "y_train = open('train/expected.tsv').readlines()\n",
+    "X_dev0 = lzma.open(\"dev-0/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()\n",
+    "y_expected_dev0 = open(\"dev-0/expected.tsv\", \"r\").readlines()\n",
+    "X_test = lzma.open(\"test-A/in.tsv.xz\", mode='rt', encoding='utf-8').readlines()"
+   ],
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   }
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 10,
+   "outputs": [],
+   "source": [
+    "count_vect = CountVectorizer()\n",
+    "X_train_counts = count_vect.fit_transform(X_train)\n",
+    "X_dev0_counts = count_vect.transform(X_dev0)\n",
+    "X_test_counts = count_vect.transform(X_test)"
+   ],
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   }
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 11,
+   "outputs": [],
+   "source": [
+    "clf = MultinomialNB().fit(X_train_counts, y_train)\n",
+    "\n",
+    "y_predicted_dev0_MNB = clf.predict(X_dev0_counts)\n",
+    "y_predicted_test_MNB = clf.predict(X_test_counts)"
+   ],
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   }
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 12,
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "Accuracy dev0: 0.8025417298937785\n"
+     ]
+    }
+   ],
+   "source": [
+    "accuracy_dev0_MNB = accuracy_score(y_expected_dev0, y_predicted_dev0_MNB)\n",
+    "print(f\"Accuracy dev0: {accuracy_dev0_MNB}\")\n"
+   ],
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   }
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 13,
+   "outputs": [],
+   "source": [
+    "open(\"dev-0/out.tsv\", mode='w').writelines(y_predicted_dev0_MNB)\n",
+    "open(\"test-A/out.tsv\", mode='w').writelines(y_predicted_test_MNB)"
+   ],
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   }
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "outputs": [],
+   "source": [],
+   "metadata": {
+    "collapsed": false,
+    "pycharm": {
+     "name": "#%%\n"
+    }
+   }
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 2
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython2",
+   "version": "2.7.6"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 0
+}
\ No newline at end of file
diff --git a/runNB.py b/runNB.py
new file mode 100644
index 0000000..20b9f90
--- /dev/null
+++ b/runNB.py
@@ -0,0 +1,24 @@
+#!/usr/bin/env python
+# coding: utf-8
+from sklearn.naive_bayes import MultinomialNB
+from sklearn.metrics import  accuracy_score
+from sklearn.feature_extraction.text import CountVectorizer
+import lzma
+
+X_train = lzma.open("train/in.tsv.xz", mode='rt', encoding='utf-8').readlines()
+y_train = open('train/expected.tsv').readlines()
+X_dev0 = lzma.open("dev-0/in.tsv.xz", mode='rt', encoding='utf-8').readlines()
+y_expected_dev0 = open("dev-0/expected.tsv", "r").readlines()
+X_test = lzma.open("test-A/in.tsv.xz", mode='rt', encoding='utf-8').readlines()
+
+count_vect = CountVectorizer()
+X_train_counts = count_vect.fit_transform(X_train)
+X_dev0_counts = count_vect.transform(X_dev0)
+X_test_counts = count_vect.transform(X_test)
+
+clf = MultinomialNB().fit(X_train_counts, y_train)
+y_predicted_dev0_MNB = clf.predict(X_dev0_counts)
+y_predicted_test_MNB = clf.predict(X_test_counts)
+
+open("dev-0/out.tsv", mode='w').writelines(y_predicted_dev0_MNB)
+open("test-A/out.tsv", mode='w').writelines(y_predicted_test_MNB)
diff --git a/test-A/out.tsv b/test-A/out.tsv
index 15cc96f..6909f16 100644
--- a/test-A/out.tsv
+++ b/test-A/out.tsv
@@ -1,4 +1,6 @@
 0
+0
+1
 1
 0
 0
@@ -9,29 +11,26 @@
 0
 0
 0
-0
-0
 1
 0
 0
-1
+0
 0
 0
 1
 1
 0
 0
-1
-1
 0
 1
+0
 1
 1
 0
-1
 0
 1
 0
+1
 0
 0
 0
@@ -41,12 +40,13 @@
 0
 0
 0
+1
 0
 0
 0
 0
 1
-0
+1
 0
 0
 1
@@ -54,9 +54,9 @@
 0
 0
 0
-1
 0
-1
+0
+0
 0
 1
 0
@@ -79,14 +79,9 @@
 0
 0
 0
-1
-1
-1
 0
-1
 0
 1
-1
 0
 1
 0
@@ -100,53 +95,58 @@
 1
 0
 0
-1
-0
 0
 0
 1
+0
+0
 1
 0
 0
+0
 1
 1
 0
+0
+0
 1
+0
 1
 0
 0
 0
 0
-1
-1
 0
 0
 1
 0
 0
+1
 0
 0
+1
 0
 0
 0
 0
 0
-1
 0
 1
 0
 0
-1
+0
+0
 1
 1
 1
 0
-1
 0
 1
 0
 0
-1
+0
+0
+0
 0
 1
 1
@@ -156,21 +156,17 @@
 1
 0
 0
-1
+0
 1
 0
 0
 0
-1
 0
-1
 0
 0
-1
-1
-1
 0
-1
+0
+0
 1
 0
 0
@@ -181,7 +177,11 @@
 0
 0
 0
-1
+0
+0
+0
+0
+0
 0
 1
 1
@@ -192,17 +192,17 @@
 0
 0
 0
+1
 0
 0
+1
 0
 0
+1
 0
 0
 0
 0
-1
-1
-0
 0
 0
 0
@@ -211,12 +211,12 @@
 0
 0
 0
-1
 0
 0
 0
-1
-1
+0
+0
+0
 0
 0
 1
@@ -231,12 +231,12 @@
 0
 1
 0
+0
 1
 1
-1
-0
 0
 0
+1
 0
 0
 0
@@ -247,11 +247,11 @@
 0
 0
 1
+1
 0
 0
 1
 1
-1
 0
 0
 0
@@ -259,21 +259,21 @@
 0
 0
 0
-1
-0
 0
 0
 0
 0
 0
+1
 0
 0
-1
 0
 0
 1
 0
 1
+0
+0
 1
 1
 1
@@ -286,8 +286,6 @@
 1
 1
 1
-1
-1
 0
 1
 0
@@ -295,70 +293,72 @@
 0
 0
 0
+0
 1
-1
+0
+0
 1
 0
 0
 0
-1
 0
 0
 0
 0
 0
-1
-1
 0
 1
 0
 0
 1
 0
+0
 1
-1
+0
 1
 0
 0
 0
-1
 0
-1
+0
+0
+0
 1
 1
 0
-1
 0
-1
 0
 0
 0
 0
 0
 0
-1
-1
 0
 0
-1
-1
+0
 1
 0
 0
 0
 0
+0
 1
+0
 1
-1
+0
 0
 1
 1
+1
+0
+0
+1
 0
 1
 1
+1
 0
 0
-1
 0
 0
 1
@@ -387,62 +387,57 @@
 0
 0
 0
+0
 1
-1
-1
+0
 1
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
+1
 0
 0
 0
 1
+1
 0
 0
-1
 0
 0
-1
 0
-1
-1
 0
-1
 0
-1
 0
 0
 0
+1
 0
 1
+0
 1
 0
+0
 1
+0
+0
+0
 1
 0
 0
 0
 0
 0
-1
-1
+0
 1
 1
 0
-1
 0
-1
-1
 0
-1
 0
 0
 0
@@ -453,7 +448,7 @@
 0
 0
 0
-1
+0
 0
 0
 0
@@ -468,38 +463,38 @@
 0
 0
 1
-1
 0
 0
 0
 0
 0
-1
-1
 0
-1
 0
 0
-1
 0
-1
 0
-1
 0
 1
 0
+0
 1
 0
+0
 1
 0
 1
 0
 1
+0
+0
+0
 1
 0
+1
 0
 1
 0
+1
 0
 0
 0
@@ -507,21 +502,26 @@
 0
 0
 0
-1
-1
 0
 1
+0
 1
 0
 1
+0
+0
 1
+0
+0
+0
 1
 1
 0
-1
 0
 0
-1
+0
+0
+0
 1
 0
 1
@@ -535,12 +535,12 @@
 0
 0
 0
-1
+0
 0
 1
 0
 0
-1
+0
 0
 0
 0
@@ -553,11 +553,10 @@
 0
 0
 1
-1
-1
-1
 0
 1
+0
+0
 1
 0
 0
@@ -565,6 +564,7 @@
 0
 0
 0
+0
 1
 0
 0
@@ -573,47 +573,47 @@
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
 1
 0
 1
 1
 0
+1
 0
 0
 0
-1
 0
 1
 0
 0
-1
-1
-0
 0
 0
 1
 0
 0
 0
+0
 1
 1
 0
 1
+0
+0
+0
 1
 0
 0
+0
 1
 1
 0
 0
-0
+1
 1
 0
 0
@@ -624,7 +624,7 @@
 0
 0
 0
-1
+0
 0
 1
 0
@@ -634,8 +634,8 @@
 0
 0
 0
-1
-1
+0
+0
 1
 0
 0
@@ -653,14 +653,14 @@
 1
 0
 0
-1
+0
 0
 0
 1
 0
 0
 0
-1
+0
 0
 1
 0
@@ -691,30 +691,30 @@
 0
 0
 1
+1
+0
 0
 0
-1
-1
 0
 1
 0
 0
 0
 1
-1
 0
 1
-0
-0
+1
 0
 0
 0
 0
 1
 0
+1
+1
 0
-0
-0
+1
+1
 0
 1
 0
@@ -732,14 +732,12 @@
 0
 0
 0
-1
+0
 1
 0
 0
 0
-1
 0
-1
 0
 0
 0
@@ -747,6 +745,8 @@
 0
 1
 0
+1
+1
 0
 0
 0
@@ -765,32 +765,32 @@
 0
 0
 1
-0
+1
 0
 0
 0
 1
-0
 1
 0
+0
 1
 0
 0
 1
 0
 0
-1
-1
+0
+0
 1
 1
 0
-1
 0
 0
 0
 0
-1
-1
+0
+0
+0
 1
 1
 1
@@ -808,23 +808,16 @@
 0
 0
 1
-1
 0
 0
-1
-1
-1
-0
-1
-1
 0
 0
+1
 0
 0
 0
 0
 0
-1
 0
 1
 1
@@ -832,34 +825,34 @@
 0
 0
 0
+0
 1
 0
 0
 0
-1
-1
-1
-1
 0
 0
+1
 0
 0
-1
 0
 0
 0
 1
+1
 0
 0
 0
 0
 1
 1
+0
 1
 1
 0
 0
 0
+0
 1
 1
 0
@@ -867,11 +860,18 @@
 0
 0
 0
-0
 1
 0
 0
-1
+0
+0
+0
+0
+0
+0
+0
+0
+0
 0
 0
 1
@@ -884,17 +884,17 @@
 1
 0
 1
-1
 0
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
+0
+0
 1
 0
 0
@@ -903,44 +903,40 @@
 0
 0
 0
-1
 0
 1
 0
-1
+0
 1
 1
 1
 0
 0
-1
 0
 1
-1
 0
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
-0
-1
 1
 0
 0
 0
 0
+0
 1
 0
+1
+0
+1
 0
 0
 0
-1
 0
 0
 0
@@ -951,14 +947,23 @@
 0
 0
 0
+0
+0
 1
+0
+0
 1
 0
+0
 1
+0
 1
 0
 0
 0
+0
+0
+0
 1
 0
 0
@@ -967,26 +972,21 @@
 1
 0
 0
-1
 0
 0
 0
-1
 0
 0
-1
-1
 0
-1
 0
 0
 0
 0
 0
-1
 0
 0
-1
+0
+0
 0
 0
 1
@@ -998,32 +998,32 @@
 0
 0
 0
-1
+0
 0
 1
 0
 0
 0
+0
+0
+0
 1
+0
+0
+0
 1
 0
 0
 0
 0
-1
-1
-1
 0
 0
 0
 0
-1
 0
 1
-0
 1
 0
-1
 0
 0
 0
@@ -1034,28 +1034,28 @@
 1
 0
 1
-1
+0
 0
 0
 1
 1
 0
 1
-1
 0
 0
-1
 0
 1
-1
-1
 0
-1
+0
+0
 1
 0
+0
 1
 0
 0
+0
+0
 1
 0
 1
@@ -1068,13 +1068,13 @@
 0
 0
 0
-1
 0
 0
 0
+1
+0
 0
 0
-1
 0
 1
 0
@@ -1084,7 +1084,7 @@
 1
 0
 0
-1
+0
 0
 0
 0
@@ -1108,26 +1108,26 @@
 0
 0
 0
-1
-1
-0
 0
 1
 0
 0
-0
 1
 0
+1
+1
+1
 0
 0
 0
 0
 0
 0
+1
+1
 0
 0
 0
-1
 0
 0
 0
@@ -1140,7 +1140,7 @@
 0
 1
 1
-0
+1
 0
 0
 0
@@ -1151,22 +1151,22 @@
 0
 0
 1
-0
-0
-0
 1
 1
 0
 0
 1
-1
 0
 0
 1
 0
+0
+0
 1
+0
 1
 0
+0
 1
 0
 0
@@ -1178,10 +1178,10 @@
 0
 0
 0
-1
 0
-1
 0
+1
+1
 0
 1
 0
@@ -1189,15 +1189,15 @@
 1
 0
 1
-1
 0
+1
 0
 0
 0
 0
 0
 1
-1
+0
 0
 1
 0
@@ -1210,39 +1210,36 @@
 0
 0
 0
-1
 0
-1
+0
+0
 0
 0
 0
 0
 1
+0
 1
-1
-1
-1
-1
+0
 0
 1
+0
 1
 0
 0
-1
 0
 0
 0
-1
-1
 0
-1
-1
 0
 1
 0
+0
 1
 0
 0
+1
+0
 0
 0
 0
@@ -1251,6 +1248,8 @@
 1
 0
 0
+1
+0
 0
 0
 0
@@ -1258,25 +1257,26 @@
 1
 0
 0
-1
-1
 0
 0
 0
-1
-1
 0
 0
 0
 0
 0
-1
 0
 0
 0
 0
 0
 0
+1
+0
+0
+0
+0
+0
 0
 0
 0
@@ -1299,10 +1299,7 @@
 1
 0
 1
-1
 0
-1
-1
 0
 1
 1
@@ -1312,56 +1309,59 @@
 0
 0
 0
-1
 0
 0
 0
 0
 0
-1
 0
-1
-1
-1
+0
+0
 0
 1
 1
 1
 0
 0
+0
 1
 1
 0
 0
 0
+1
+1
 0
 0
 1
 0
+0
 1
 0
 0
-1
 0
 0
 0
 0
 0
 1
-1
 0
 0
 0
 0
 0
-1
+0
 0
 1
 1
-0
 1
 0
 1
+1
+0
+0
+0
+0
 0
 1
 1
@@ -1374,7 +1374,7 @@
 0
 1
 0
-1
+0
 0
 0
 0
@@ -1390,32 +1390,29 @@
 0
 0
 0
-0
 1
 0
-1
-1
 0
 0
 0
 0
+1
 0
 0
 0
-1
-1
-1
 0
 0
 1
 1
 0
+0
+0
 1
 0
 0
 0
 1
-1
+0
 0
 1
 0
@@ -1423,17 +1420,20 @@
 1
 0
 0
-1
 0
 0
 0
-1
 0
 0
-1
 0
 1
+1
+0
+0
+0
 0
+1
+1
 0
 0
 1
@@ -1450,21 +1450,21 @@
 1
 0
 0
-1
 0
 0
-1
-1
-1
 0
 0
 1
 0
 0
 0
+1
+0
+0
 0
 0
 0
+1
 0
 0
 0
@@ -1478,20 +1478,20 @@
 0
 0
 1
+0
+0
+0
 1
 0
 0
-1
 0
 0
 0
-1
+0
 0
 1
-0
 1
 1
-0
 1
 0
 1
@@ -1501,13 +1501,13 @@
 0
 0
 0
-1
 0
+1
 0
 0
 1
-1
-1
+0
+0
 0
 0
 0
@@ -1518,11 +1518,13 @@
 0
 0
 1
-1
+0
 0
 0
 0
 1
+1
+1
 0
 0
 0
@@ -1530,19 +1532,20 @@
 0
 0
 0
-1
 0
 0
 0
 0
 0
 1
-1
-1
+0
+0
 0
 0
 0
 1
+0
+0
 1
 0
 0
@@ -1556,13 +1559,10 @@
 0
 0
 0
-1
 0
-1
 0
 1
-1
-1
+0
 1
 1
 1
@@ -1576,6 +1576,7 @@
 0
 0
 0
+1
 0
 0
 0
@@ -1586,33 +1587,27 @@
 0
 0
 0
-1
 0
 0
 0
 0
 1
+1
 0
 0
-1
 0
 0
-1
-1
 0
 0
 0
 0
-1
 0
-1
 0
 0
 0
 1
 0
 0
-1
 0
 0
 0
@@ -1621,18 +1616,20 @@
 0
 0
 0
+1
 0
 1
 0
+1
 0
+1
 0
 0
 0
 0
-1
-1
 0
 0
+1
 0
 0
 0
@@ -1646,20 +1643,22 @@
 0
 0
 1
-0
 1
 0
 1
+0
 1
+0
 1
+0
+0
+0
 1
 1
 0
 0
 0
 0
-0
-1
 1
 0
 0
@@ -1667,17 +1666,14 @@
 0
 0
 0
-1
 0
 0
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
 0
@@ -1685,6 +1681,9 @@
 0
 0
 0
+1
+0
+0
 0
 0
 0
@@ -1694,6 +1693,7 @@
 0
 0
 0
+0
 1
 0
 0
@@ -1705,7 +1705,7 @@
 0
 0
 0
-1
+0
 0
 0
 1
@@ -1713,8 +1713,8 @@
 0
 0
 1
-0
-0
+1
+1
 1
 0
 0
@@ -1739,8 +1739,8 @@
 0
 0
 0
-1
 0
+1
 0
 0
 0
@@ -1751,21 +1751,19 @@
 1
 1
 0
-1
+0
 0
 1
 0
 1
 0
 0
-1
 0
 0
 1
 1
-1
-0
 0
+1
 0
 0
 0
@@ -1774,7 +1772,9 @@
 1
 0
 1
+0
 1
+0
 1
 0
 0
@@ -1782,7 +1782,7 @@
 0
 0
 0
-1
+0
 0
 1
 0
@@ -1795,7 +1795,7 @@
 0
 1
 1
-1
+0
 0
 0
 1
@@ -1804,8 +1804,8 @@
 0
 0
 1
-1
 0
+1
 0
 0
 0
@@ -1816,17 +1816,17 @@
 0
 0
 1
+0
 1
 0
 0
-1
 0
 0
 1
 0
 1
 0
-1
+0
 1
 1
 0
@@ -1835,10 +1835,10 @@
 0
 0
 1
-1
 0
 0
-1
+0
+0
 0
 0
 1
@@ -1848,27 +1848,25 @@
 0
 1
 0
+1
 0
 0
 0
-1
 0
 1
 1
 1
 1
 1
+1
 0
 0
-1
 0
 1
 0
 1
 0
-1
 0
-1
 0
 0
 1
@@ -1876,6 +1874,8 @@
 1
 0
 0
+0
+0
 1
 0
 0
@@ -1885,20 +1885,20 @@
 0
 0
 0
-1
+0
 0
 0
 0
 0
 1
 1
+1
 0
 0
 0
 0
 0
 1
-1
 0
 0
 0
@@ -1907,17 +1907,15 @@
 0
 1
 0
-0
-1
 1
 1
 1
+0
 1
 1
 1
 1
 0
-1
 0
 0
 0
@@ -1929,41 +1927,43 @@
 0
 0
 0
+0
+0
+0
+0
+0
+0
 1
+0
 1
 0
 0
+0
 1
 0
 1
 0
 0
 0
-1
 0
 0
 0
 0
 0
 0
-1
 0
 1
 0
-1
-1
 0
 0
+1
 0
 0
 1
-1
 0
 1
 0
-1
-1
-1
+0
 1
 0
 0
@@ -1971,14 +1971,14 @@
 0
 1
 0
-1
 0
-1
-1
 0
-1
+0
+0
 0
 1
+0
+0
 1
 0
 0
@@ -1994,34 +1994,34 @@
 0
 0
 0
+1
 0
 0
 0
 1
 0
 1
-1
-0
 0
 0
 0
+1
 0
 0
 0
 0
-1
 0
 0
 1
 0
 0
 0
+1
+0
 0
 0
 0
 1
-1
-1
+0
 0
 0
 0
@@ -2050,22 +2050,22 @@
 0
 0
 0
-1
-1
 0
+1
 0
 0
 1
+1
 0
 0
 1
 1
-1
+0
 1
 0
 0
 0
-1
+0
 0
 1
 0
@@ -2073,13 +2073,13 @@
 0
 0
 0
-1
+0
 0
 1
 0
 0
-1
-1
+0
+0
 0
 0
 0
@@ -2098,10 +2098,10 @@
 0
 0
 0
-1
 0
 0
-1
+0
+0
 1
 0
 1
@@ -2110,9 +2110,8 @@
 1
 0
 0
-0
-1
 1
+0
 1
 1
 1
@@ -2121,14 +2120,15 @@
 0
 0
 0
-1
+0
 0
 0
 0
 1
+0
 1
 1
-1
+0
 0
 0
 1
@@ -2136,16 +2136,13 @@
 1
 0
 0
+0
 1
 1
 0
 0
 0
-0
 1
-0
-0
-0
 1
 0
 0
@@ -2159,9 +2156,10 @@
 0
 0
 1
+0
+0
 1
 1
-0
 1
 0
 0
@@ -2171,13 +2169,15 @@
 1
 0
 1
-1
-1
 0
 0
 0
-1
-1
+0
+0
+0
+0
+0
+0
 1
 0
 1
@@ -2195,16 +2195,13 @@
 0
 0
 0
-1
 0
 0
-1
 0
-1
 0
 0
 1
-1
+0
 0
 1
 0
@@ -2212,17 +2209,13 @@
 0
 0
 0
-1
-1
 0
 0
-1
 0
 1
 0
 0
 0
-0
 1
 0
 0
@@ -2230,10 +2223,11 @@
 0
 0
 1
+1
+0
 0
 0
 0
-1
 0
 0
 1
@@ -2243,26 +2237,32 @@
 0
 1
 1
-0
 1
 0
 1
 0
+1
+1
+1
+1
 0
+1
+1
+1
+1
+1
 0
 0
 0
 0
 0
-0
-1
-0
 1
 1
 0
 0
 0
-1
+0
+0
 0
 1
 0
@@ -2277,11 +2277,8 @@
 0
 0
 0
-1
 0
 0
-1
-1
 0
 1
 0
@@ -2294,19 +2291,16 @@
 0
 1
 0
-0
-0
-0
 1
 1
 0
 0
-1
+0
 0
 1
 1
 0
-1
+0
 0
 0
 1
@@ -2314,11 +2308,8 @@
 0
 0
 0
-1
-1
 0
 1
-1
 0
 0
 0
@@ -2327,26 +2318,26 @@
 1
 0
 1
-0
 1
 0
 0
 0
 0
-0
 1
 1
 0
 0
-1
 0
 1
 0
 0
-1
+0
 1
 0
 1
+0
+0
+0
 1
 0
 0
@@ -2354,12 +2345,21 @@
 1
 1
 1
+0
+0
 1
+0
+0
+0
+0
 1
 0
+0
+0
 1
 1
 0
+0
 1
 1
 1
@@ -2380,17 +2380,17 @@
 0
 0
 0
-1
-1
 0
 0
-1
+0
+0
+0
 0
 1
 1
-1
-1
-1
+0
+0
+0
 1
 1
 0
@@ -2398,34 +2398,34 @@
 0
 1
 0
-1
 0
-1
+0
+0
 0
 0
 0
 0
 1
 0
-1
+0
 0
 1
 0
 0
 0
 0
-1
+0
 0
 0
 0
 0
 1
-1
+0
 1
 0
 0
 0
-1
+0
 1
 0
 1
@@ -2445,20 +2445,20 @@
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
 1
 1
 0
-1
 0
-1
 0
 0
+1
+1
+0
 0
 0
 0
@@ -2480,8 +2480,8 @@
 1
 1
 0
-1
 0
+1
 0
 1
 1
@@ -2489,26 +2489,23 @@
 0
 0
 0
-1
-1
 0
+1
 0
 0
 0
 1
 1
+0
 1
 0
 0
 0
-1
-1
 0
-1
 0
 0
 0
-1
+0
 0
 0
 1
@@ -2516,30 +2513,33 @@
 1
 1
 0
-0
 1
 0
 0
 0
 0
+0
+0
+0
+0
 1
 0
 1
 0
 1
 0
+1
+0
+0
 0
 0
 0
 0
 0
-1
 0
 0
 0
-1
 0
-1
 1
 0
 0
@@ -2557,16 +2557,15 @@
 0
 0
 0
-1
-0
 0
 0
 0
-1
 0
 0
 1
+1
 0
+1
 0
 0
 0
@@ -2575,22 +2574,23 @@
 0
 0
 0
+1
 0
 1
 0
 0
 0
 1
-0
 1
 0
-1
 0
 1
+0
+0
+0
+0
 1
 1
-1
-0
 0
 0
 1
@@ -2606,29 +2606,29 @@
 1
 0
 0
-1
+0
 0
 0
 1
 0
 0
-1
-1
-1
-1
 0
 0
+1
 0
 0
 0
 1
+0
+0
 1
 0
+0
 1
 0
 0
 0
-1
+0
 0
 0
 0
@@ -2647,62 +2647,61 @@
 0
 0
 0
-1
 0
-1
-1
 0
 0
 0
-1
 0
 0
 0
-1
 0
 0
+0
+0
+1
+0
 1
+0
 1
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
 1
 0
 1
+1
+1
+0
+0
 0
 0
 0
-1
 0
 0
-1
 0
-1
 1
 0
 0
 0
-1
 0
-1
+0
+0
 1
 0
 0
 1
 1
+0
 1
 0
 0
 0
 0
-1
 0
 0
 0
@@ -2713,7 +2712,8 @@
 0
 0
 0
-1
+0
+0
 0
 0
 0
@@ -2726,15 +2726,15 @@
 1
 0
 0
-1
-1
+0
 1
 0
 0
 0
 0
-1
-1
+0
+0
+0
 1
 0
 0
@@ -2748,41 +2748,41 @@
 1
 1
 1
-1
-1
 0
 0
 0
-1
-1
 0
 0
 0
 0
 0
-1
 0
-1
+0
 0
 0
 1
 0
+1
 0
 0
 0
 0
-1
 0
 0
 1
 0
 0
 0
+0
+1
 1
 0
 0
 0
-1
+0
+0
+0
+0
 0
 0
 0
@@ -2801,53 +2801,53 @@
 0
 0
 1
-1
 0
 0
-1
-1
 0
-1
 0
 0
-1
 0
 1
 0
-1
+0
 1
 0
 1
+0
 1
 1
 0
 1
 1
-1
 0
-1
 0
-1
-1
-1
 0
 0
 1
 0
 0
-1
-1
 0
 1
 1
+0
+0
 1
 1
 0
+0
+0
+0
+0
+0
 1
 0
 1
 0
 0
+0
+1
+1
+0
 1
 1
 1
@@ -2861,20 +2861,20 @@
 1
 0
 0
+1
+0
 0
 0
-1
 0
 0
 0
-1
 0
 1
 1
 1
 0
 1
-1
+0
 0
 1
 0
@@ -2884,16 +2884,16 @@
 0
 0
 0
-1
-1
 0
 0
 0
-1
+0
 0
 1
+0
 1
 1
+0
 1
 0
 0
@@ -2904,9 +2904,9 @@
 0
 0
 0
+0
 1
 1
-0
 1
 0
 0
@@ -2915,17 +2915,17 @@
 0
 1
 0
-1
 0
-1
 0
 0
-1
 0
 0
 1
 0
 0
+0
+0
+0
 1
 1
 1
@@ -2948,9 +2948,9 @@
 0
 1
 0
-1
 0
-1
+0
+0
 0
 0
 0
@@ -2958,12 +2958,12 @@
 1
 1
 0
+1
 0
 0
 0
 0
 0
-1
 0
 0
 0
@@ -2972,16 +2972,16 @@
 0
 0
 1
+1
+0
+1
+0
 0
 0
 0
-1
 0
 0
-1
 0
-1
-1
 0
 0
 0
@@ -2995,23 +2995,27 @@
 0
 0
 1
-1
 0
 0
-1
 0
-1
 0
 0
 1
 0
+0
 1
 0
 0
+0
+0
 1
+1
+0
 0
 0
 0
+1
+1
 0
 0
 1
@@ -3023,13 +3027,11 @@
 0
 1
 1
-1
 0
 1
+1
 0
 0
-1
-1
 0
 0
 0
@@ -3038,12 +3040,10 @@
 0
 0
 0
-1
 0
 0
 0
 1
-1
 0
 0
 0
@@ -3059,7 +3059,7 @@
 0
 0
 0
-0
+1
 0
 0
 1
@@ -3083,12 +3083,12 @@
 0
 0
 0
-1
 0
 0
 0
 1
-1
+0
+0
 0
 0
 0
@@ -3106,37 +3106,37 @@
 0
 0
 0
-1
-1
-1
 0
-1
+0
+0
 0
 0
 0
 1
 0
+1
+1
 0
 0
 0
+1
 0
 0
 0
 0
-1
 0
 1
 0
 0
 0
 0
-1
-1
-1
+0
+0
 0
 0
 0
 1
+0
 1
 0
 0
@@ -3147,28 +3147,28 @@
 0
 1
 1
-1
-1
 0
 0
 0
-1
 0
 1
+1
+0
 0
 0
 0
-1
 0
 1
+0
+0
 1
 1
 0
 0
-1
 0
 0
-1
+0
+0
 0
 0
 1
@@ -3179,22 +3179,22 @@
 0
 1
 0
-1
 0
 0
 0
-1
 0
-1
 0
 0
 0
+1
+0
+0
 0
 0
 0
 1
 1
-0
+1
 0
 0
 0
@@ -3208,25 +3208,25 @@
 1
 1
 1
-1
 0
-1
 0
 1
+0
 1
 0
 0
 0
 0
-1
 0
-1
 0
 0
 1
 0
 0
-1
+0
+0
+0
+0
 0
 0
 0
@@ -3257,12 +3257,12 @@
 0
 1
 1
-1
 0
 0
-1
 0
-1
+0
+0
+0
 0
 0
 1
@@ -3270,7 +3270,7 @@
 0
 0
 0
-1
+0
 0
 0
 1
@@ -3280,8 +3280,8 @@
 0
 0
 0
-0
 1
+0
 1
 0
 0
@@ -3293,7 +3293,7 @@
 1
 1
 0
-1
+0
 0
 1
 1
@@ -3301,16 +3301,13 @@
 1
 0
 0
-1
 0
 0
 0
-1
 0
+1
 0
 0
-1
-1
 0
 1
 0
@@ -3330,7 +3327,10 @@
 0
 0
 0
-1
+0
+0
+0
+0
 1
 0
 0
@@ -3346,12 +3346,9 @@
 0
 0
 0
-1
 0
-1
 0
 0
-1
 0
 0
 1
@@ -3362,37 +3359,36 @@
 0
 0
 0
-1
 0
 0
 0
 1
 0
-1
 0
-1
+0
 1
 0
 1
 0
 1
 0
+0
 1
+0
+0
+0
 1
 1
 1
 0
+0
 1
 0
 0
 0
-1
 0
 0
-1
-1
 0
-1
 0
 1
 1
@@ -3400,43 +3396,51 @@
 0
 0
 1
-1
 0
 0
 0
-1
 0
-1
 0
 0
 0
-1
 0
 0
 0
 0
-1
+0
+0
 0
 1
 0
 0
+0
+0
 1
+0
 1
 0
 0
 1
 0
+0
+0
+0
+0
 1
 1
 0
 1
 0
 0
+0
+0
+0
+0
 1
 1
 0
 0
-1
+0
 0
 0
 0
@@ -3450,15 +3454,12 @@
 0
 0
 0
-1
 0
 0
 1
 0
 0
 0
-1
-1
 0
 0
 0
@@ -3466,12 +3467,11 @@
 0
 0
 0
-1
-1
+0
 1
 0
 0
-1
+0
 0
 0
 0
@@ -3488,9 +3488,9 @@
 0
 0
 1
+0
 1
-1
-1
+0
 0
 0
 0
@@ -3501,7 +3501,7 @@
 0
 1
 0
-1
+0
 1
 0
 1
@@ -3515,6 +3515,8 @@
 0
 0
 1
+0
+0
 1
 0
 0
@@ -3524,33 +3526,29 @@
 0
 0
 0
+0
+0
 1
 1
 0
 1
-0
 1
 0
 0
 0
-0
-0
 1
 1
 0
 0
 0
 1
-1
-1
-1
-1
+0
+0
+0
 1
 1
 0
-1
 0
-1
 0
 0
 0
@@ -3558,7 +3556,9 @@
 0
 0
 0
-1
+0
+0
+0
 0
 0
 0
@@ -3569,9 +3569,9 @@
 0
 1
 0
-1
 0
-1
+0
+0
 0
 1
 0
@@ -3584,7 +3584,6 @@
 1
 0
 0
-0
 1
 0
 0
@@ -3592,35 +3591,36 @@
 0
 0
 0
+0
+1
 1
 0
 0
 0
 0
 0
-1
 0
 0
-1
-1
 0
 1
 0
 0
 0
+0
+0
 1
 0
+0
 1
 1
 1
 1
-0
 1
 0
 0
 0
 1
-1
+0
 0
 1
 1
@@ -3632,9 +3632,11 @@
 0
 0
 0
-1
 0
 0
+1
+1
+1
 0
 1
 0
@@ -3642,39 +3644,37 @@
 0
 0
 0
-1
-1
 0
 0
 0
 0
 1
-1
-0
 0
 0
 0
-1
 0
 0
+1
 0
 0
 0
 0
 0
 1
+0
 1
+0
 1
 0
 0
 0
 1
-1
-1
 0
+1
 0
 0
 0
+1
 0
 0
 1
@@ -3682,7 +3682,7 @@
 0
 0
 0
-1
+0
 0
 1
 0
@@ -3692,14 +3692,14 @@
 0
 0
 0
-1
+0
 1
 0
 0
 1
 0
 0
-1
+0
 0
 1
 1
@@ -3717,12 +3717,13 @@
 0
 0
 0
-0
 1
 0
 0
 0
+0
 1
+0
 1
 1
 0
@@ -3732,17 +3733,16 @@
 0
 0
 0
-0
 1
 0
 0
-1
 0
 0
 1
 0
 0
 0
+0
 1
 1
 0
@@ -3750,9 +3750,9 @@
 0
 1
 0
-0
 1
 0
+0
 1
 1
 0
@@ -3761,25 +3761,25 @@
 0
 0
 0
-1
-1
 0
+1
 0
 0
 0
 0
 0
-1
 0
 0
 1
 0
 0
 1
+0
 1
 0
 0
-1
+0
+0
 0
 1
 1
@@ -3797,23 +3797,23 @@
 1
 0
 0
-0
+1
 1
 0
 0
-1
+0
 1
 0
 1
 1
-0
+1
 0
 0
 0
 1
 0
 0
-1
+0
 0
 0
 0
@@ -3837,7 +3837,7 @@
 0
 0
 0
-1
+0
 0
 0
 1
@@ -3853,24 +3853,23 @@
 0
 0
 0
+1
+0
 0
 0
 0
 0
-1
 0
 0
-1
 0
 1
 0
 0
 0
 0
-1
-1
 0
 1
+0
 1
 1
 0
@@ -3878,33 +3877,34 @@
 0
 0
 0
-1
 0
-1
 0
-1
 0
+1
+1
+1
 0
 0
 1
 0
 0
+0
 1
 0
 0
 0
 1
 0
-1
-1
 0
 1
+0
 1
 0
 0
 0
 0
 0
+0
 1
 1
 0
@@ -3913,25 +3913,25 @@
 0
 0
 0
-0
+1
 0
 0
 1
-1
-1
 0
 1
 0
-1
 0
 0
 0
+0
+0
+1
 1
 0
 1
 0
 0
-1
+0
 1
 0
 0
@@ -3962,15 +3962,15 @@
 1
 1
 0
-1
 0
 0
-1
-1
 0
 0
+1
+1
 0
 0
+1
 0
 0
 0
@@ -3982,7 +3982,7 @@
 0
 0
 0
-1
+0
 1
 0
 0
@@ -3997,10 +3997,8 @@
 0
 1
 0
-1
 0
 0
-1
 0
 0
 0
@@ -4009,6 +4007,8 @@
 0
 0
 0
+1
+0
 0
 0
 0
@@ -4032,30 +4032,30 @@
 0
 1
 0
-1
 0
 0
-1
+0
 1
 1
 1
 0
 0
 0
-1
 0
 0
-1
 0
 0
 0
 0
+1
+0
 0
 0
 0
 0
 1
 1
+0
 1
 0
 1
@@ -4065,11 +4065,9 @@
 0
 0
 1
-0
 1
 0
 0
-1
 0
 0
 0
@@ -4080,12 +4078,14 @@
 0
 0
 0
-1
 0
 0
 1
+0
+0
 1
-1
+0
+0
 0
 0
 0
@@ -4098,19 +4098,19 @@
 0
 1
 0
-1
 0
 0
-1
 0
-1
 0
 0
 1
+0
+0
+0
 1
 1
 0
-1
+0
 0
 0
 0
@@ -4121,10 +4121,10 @@
 0
 0
 0
-1
 0
-1
-1
+0
+0
+0
 0
 1
 0
@@ -4150,20 +4150,13 @@
 1
 0
 0
-1
-1
 0
-1
-1
 0
 0
 0
 1
 0
 0
-1
-1
-1
 0
 0
 0
@@ -4171,14 +4164,13 @@
 0
 1
 0
+1
 0
 0
 0
 0
 0
 0
-1
-0
 0
 0
 0
@@ -4186,18 +4178,24 @@
 0
 0
 1
+0
+0
+0
 1
 0
+0
+0
 1
+0
+0
 1
+0
 1
 1
 0
-1
 0
 0
-1
-1
+0
 0
 1
 0
@@ -4205,12 +4203,14 @@
 0
 0
 0
+0
+0
 1
 1
 0
-1
 0
 1
+0
 1
 0
 0
@@ -4218,85 +4218,91 @@
 0
 1
 0
-1
-1
 0
 0
-1
 0
-1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
 0
 0
 0
 1
 1
+0
 1
 0
 0
 0
 1
+0
 1
 0
 0
-1
 0
-1
 0
 0
 1
+1
+1
+1
 0
 0
 0
 0
 0
 1
+1
+0
 0
 0
 0
 0
 0
 1
+0
 1
-1
+0
 1
 0
 0
 0
 0
 0
-1
 0
+1
 0
 1
 0
 0
 0
-1
-1
 0
 0
 0
 0
 0
-1
-1
 0
 0
 0
-1
-1
-1
-1
-1
 0
 0
-1
-1
 0
 0
 0
-1
-1
+0
 0
 0
 0
@@ -4304,19 +4310,13 @@
 0
 0
 0
-1
-1
 0
 0
-1
-1
-1
 0
 0
 0
 0
 0
-1
 0
 0
 0
@@ -4328,9 +4328,9 @@
 1
 1
 0
-1
 0
 0
+1
 0
 0
 0
@@ -4344,15 +4344,13 @@
 0
 1
 0
-1
 0
 0
 0
-1
 0
 0
 0
-1
+0
 0
 1
 0
@@ -4360,6 +4358,8 @@
 1
 1
 1
+1
+1
 0
 0
 0
@@ -4367,7 +4367,7 @@
 0
 1
 0
-0
+1
 0
 0
 0
@@ -4377,14 +4377,14 @@
 1
 0
 0
-1
 0
-1
 0
-1
 0
 0
-1
+0
+0
+0
+0
 0
 0
 0
@@ -4393,7 +4393,7 @@
 0
 0
 1
-1
+0
 0
 0
 0
@@ -4412,53 +4412,52 @@
 0
 0
 0
+1
 0
 0
 0
 0
 0
-1
 0
-1
-1
-1
 0
 1
 1
 1
+1
 0
 1
 0
+1
 0
 1
 1
 1
 0
 0
-1
 0
 1
-1
 0
 0
 0
 0
 0
-1
 0
 0
 0
 1
+0
+0
+0
+0
 1
 1
-1
-1
+0
 1
 1
 0
 0
 1
-0
+1
 0
 0
 0
@@ -4468,16 +4467,17 @@
 0
 1
 0
-1
-1
 0
 0
+1
+0
 0
 0
 1
 1
 1
 1
+1
 0
 1
 1
@@ -4492,7 +4492,7 @@
 0
 1
 0
-1
+0
 0
 0
 1
@@ -4501,7 +4501,7 @@
 1
 0
 0
-1
+0
 1
 0
 0
@@ -4519,21 +4519,20 @@
 0
 0
 1
-1
+0
 1
 0
 0
 1
 0
-1
 0
 0
 0
 0
 0
+1
 0
 0
-1
 0
 0
 0
@@ -4543,6 +4542,7 @@
 0
 0
 0
+1
 0
 0
 0
@@ -4550,20 +4550,19 @@
 0
 0
 0
-1
 0
 0
-1
 0
 1
-1
-1
 0
 0
 0
-1
+0
+0
+0
 0
 1
+0
 1
 0
 0
@@ -4572,14 +4571,14 @@
 0
 0
 0
+0
 1
 0
 0
 0
 0
 0
-1
-1
+0
 0
 0
 0
@@ -4590,10 +4589,11 @@
 0
 0
 0
+0
+0
 1
 1
-1
-1
+0
 0
 0
 0
@@ -4614,7 +4614,7 @@
 0
 0
 0
-1
+0
 1
 0
 0
@@ -4633,7 +4633,7 @@
 0
 0
 1
-1
+0
 0
 1
 1
@@ -4645,8 +4645,6 @@
 0
 1
 0
-0
-0
 1
 0
 0
@@ -4654,22 +4652,21 @@
 0
 0
 0
-1
-1
 0
 0
 0
 1
+1
 0
 0
+1
 0
 0
 0
+1
 0
 0
 0
-1
-0
 0
 0
 0
@@ -4688,31 +4685,27 @@
 0
 0
 1
-1
 0
 0
-1
 0
 1
 0
+1
+1
 0
 1
 0
 0
 0
-1
 0
 0
 0
-1
-1
 0
-1
-1
 0
 0
 0
 1
+1
 0
 1
 0
@@ -4720,8 +4713,6 @@
 0
 0
 0
-1
-1
 0
 1
 1
@@ -4729,26 +4720,35 @@
 0
 0
 0
+1
+0
 0
 1
 1
 0
 0
 0
+0
 1
 0
 1
 0
 0
+0
+0
+0
 1
 0
+0
+1
+1
 1
 0
 0
 0
 0
 1
-1
+0
 0
 0
 1
@@ -4762,13 +4762,9 @@
 0
 0
 0
-1
-1
 0
 0
 0
-1
-1
 0
 0
 1
@@ -4777,11 +4773,14 @@
 0
 1
 0
+0
+0
 1
 0
 0
 0
-1
+0
+0
 0
 0
 0
@@ -4790,6 +4789,7 @@
 0
 0
 0
+0
 1
 0
 0
@@ -4806,16 +4806,16 @@
 0
 1
 1
+0
 1
-1
-1
-1
+0
 1
 0
 0
-1
 0
 1
+1
+1
 0
 1
 0
@@ -4826,12 +4826,12 @@
 1
 1
 0
-1
 0
-1
 0
 0
-1
+0
+0
+0
 0
 1
 0
@@ -4840,14 +4840,14 @@
 1
 1
 0
-1
 0
 0
-1
 0
 1
 0
-1
+0
+0
+0
 0
 0
 0
@@ -4860,7 +4860,7 @@
 0
 0
 0
-1
+0
 1
 0
 0
@@ -4876,13 +4876,13 @@
 0
 0
 0
-0
 1
 0
 0
-1
-1
-1
+0
+0
+0
+0
 0
 1
 1
@@ -4892,6 +4892,7 @@
 0
 1
 0
+0
 1
 0
 0
@@ -4899,8 +4900,6 @@
 0
 0
 0
-1
-1
 0
 0
 0
@@ -4909,6 +4908,7 @@
 0
 0
 0
+1
 0
 0
 0
@@ -4925,7 +4925,7 @@
 0
 0
 0
-0
+1
 1
 1
 0
@@ -4940,16 +4940,16 @@
 0
 1
 0
+1
 0
 0
-1
 0
 0
 0
 0
 1
 0
-0
+1
 0
 0
 0
@@ -4959,7 +4959,7 @@
 0
 0
 1
-1
+0
 0
 0
 1
@@ -4972,46 +4972,53 @@
 1
 1
 1
+0
 1
 1
 1
 0
 0
-1
 0
-1
-1
+0
 1
 0
 0
-1
 0
 1
+0
 1
+0
 1
 0
 0
 0
 0
 0
+1
+1
+1
+1
+1
+1
 0
 0
 0
 0
 0
 1
-0
 1
 0
 0
 0
-1
+0
+0
 1
 0
 0
 0
 0
 1
+0
 1
 0
 0
@@ -5019,8 +5026,6 @@
 0
 0
 1
-1
-0
 0
 0
 0
@@ -5029,7 +5034,6 @@
 0
 0
 0
-0
 1
 0
 0
@@ -5037,16 +5041,12 @@
 1
 1
 0
-1
-1
-1
 0
 0
 0
 0
 0
-1
-1
+0
 0
 0
 0
@@ -5054,24 +5054,24 @@
 0
 0
 0
-1
-1
 0
 1
+0
 1
+0
 1
 0
 0
 1
-1
+0
 0
 0
 1
 1
 0
-1
 0
-1
+0
+0
 1
 0
 0
@@ -5084,51 +5084,53 @@
 0
 0
 0
-1
 0
 0
 0
 0
-1
 0
 1
 0
 1
 0
 0
+0
+0
 1
-1
-1
+0
+0
+0
+0
 1
 0
+0
 1
 1
 0
 0
-1
 0
 1
 0
-1
 0
 0
 0
 0
 0
-1
 0
 0
 0
 0
 1
 1
+0
 1
+0
+0
 1
 0
 0
 0
 0
-1
 0
 0
 0
@@ -5139,7 +5141,6 @@
 0
 1
 0
-1
 0
 0
 0
@@ -5149,4 +5150,3 @@
 0
 0
 0
-1
diff --git a/test-A/outNB.tsv b/test-A/outNB.tsv
new file mode 100644
index 0000000..15cc96f
--- /dev/null
+++ b/test-A/outNB.tsv
@@ -0,0 +1,5152 @@
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+1
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+1
+1
+0
+1
+1
+0
+1
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+1
+0
+1
+1
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+1
+1
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+1
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+1
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+0
+1
+1
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+1
+1
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+1
+1
+0
+1
+1
+1
+0
+1
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+1
+0
+1
+1
+1
+1
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+0
+0
+0
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+1
+1
+1
+0
+1
+0
+0
+1
+1
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+1
+1
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+1
+0
+1
+1
+1
+0
+1
+0
+0
+1
+1
+1
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+1
+0
+0
+1
+1
+1
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+1
+1
+1
+1
+1
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+1
+0
+1
+1
+0
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+1
+1
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+1
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+1
+1
+0
+1
+1
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+1
+1
+1
+0
+0
+1
+1
+0
+0
+1
+1
+0
+1
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+1
+1
+1
+1
+0
+1
+1
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1