深度学习算法很大程度上基于矩阵运算。例如神经网络中的全连接，本质上是一个矩阵乘法；而卷积运算也通常是用矩阵乘法来完成的。有一些科研工作者为了让神经网络的计算更快捷，提出了二值化网络的方法，就是将网络权重压缩成只用两种值表示的形式，这样就可以用一些 trick 加速计算了。例如两个二进制向量点乘，可以用计算机中的与运算代替，然后统计结果中 1 的个数即可。
然而有时候为了降低压缩带来的误差，只允许其中一个矩阵被压缩成二进制。这样的情况下矩阵乘法运算还能否做进一步优化呢？给定两个整数矩阵A, B，计算矩阵乘法 C = A x B。为了减少输出，你只需要计算 C 中所有元素的的异或和即可。
输入描述:
第一行有三个整数 N, P, M, 表示矩阵 A, B 的大小分别是 N x P, P x M 。
接下来 N 行是矩阵 A 的值，每一行有 P 个数字。第 i+1 行第 j 列的数字为 Ai,j, Ai,j 用大写的16进制表示（即只包含 0~9, A~F），每个数字后面都有一个空格。
接下来 M 行是矩阵 B 的值，每一行是一个长为 P 的 01字符串。第 i + N + 1 行第 j 个字符表示 Bj,i 的值。
输出描述:
一个整数，矩阵 C 中所有元素的异或和。
示例1
输入
复制
4 2 3
3 4
8 A
F 5
6 7
01
11
10
说明
矩阵 C 的值为：
4 7 3
10 18 8
5 20 15
7 13 6
备注:
2 ≤ N, M ≤ 4096, 1 ≤ P ≤ 64, 0 ≤ Ai,j< 65536.