小红目前是某云服务平台的 AI 工程师。为了更精准地分配机房带宽资源，她打算训练一个简单的线性神经元模型，用于实时预测每台服务器的出口带宽需求。 该模型接受两个输入特征：当前活跃连接数 和历史平均延迟指标 。模型的预测输出 的计算方式如下： 其中 为特征权重， 为偏置项。 为了让模型能够处理大规模的实时数据流，小红决定采用 AdamW 优化器进行参数更新。具体算法流程如下： 1. 初始化：初始参数 。对应的动量估计（一阶矩） 和平方梯度估计（二阶矩） 也均初始化为 0。 2. 梯度计算：对于每个样本，给定真实带宽值 ，各参数的梯度定义为： - - - 3. 参数迭代：设当前正在处理第 个样本（ 从 1 开始），对于每一个参数 ，执行以下更新： - - - - - 4. 超参数设置： 小红使用了以下固定的实验参数： 请根据给定的 个样本，计算最终的模型参数。 提示： - 银行家舍入法（Round half to even）：舍入到最接近的数值；若与两个数值的距离相等（即需要舍弃的部分恰好为 0.5），则舍入到最近的偶数。

输入描述:

第一行包含一个整数 （1 ≤ ≤ 10^5），代表样本总数。 接下来的 行，每行包含三个浮点数 （-1000.0 ≤ ≤ 1000.0），含义见题目描述。

输出描述:

输出一行三个浮点数，分别表示经过 次更新后的 。 结果必须精确到 6 位小数，且使用银行家舍入法（四舍六入五成双）。数值之间用一个空格分隔，末尾不要有多余空格。