【莫比乌斯反演】SDOI2014 数表

【SDOI2014】数表

【题目大意】


#include<cstdio>
#include<cstring>
#include<algorithm>
#define fo(i,a,b) for (int i = a;i <= b;i ++)

using namespace std;
typedef long long LL;
typedef pair<int,int> PI;

const int maxn = (int)1e5 + 5;
int Q,mx,f[maxn],miu[maxn];
PI a[maxn];

struct T
{
	int N,M,K,id;
	void read() {scanf("%d%d%d",&N,&M,&K);mx = max(mx,max(N,M));}
}in[maxn];

inline bool cmpk(const T &a,const T &b)
{
	return a.K < b.K;
}

void EulerSelect()
{
	static int prime[maxn],p[maxn],s[maxn];
	static bool notprime[maxn];
	int tot = 0;
	miu[1] = 1;
	fo(i,2,mx)
	{
		if (!notprime[i]) prime[++tot] = i, s[i] = i, p[i] = i, miu[i] = -1;
		fo(j,1,tot)
		{
			if (i * prime[j] > mx) break;
			notprime[i*prime[j]] = 1;
			s[i*prime[j]] = prime[j];
			if (i % prime[j] == 0)
			{
				p[i*prime[j]] = p[i] * prime[j];
				miu[i*prime[j]] = 0;
				break;
			}
			p[i*prime[j]] = prime[j];
			miu[i*prime[j]] = miu[i] * miu[prime[j]];
		}
	}
	a[1] = PI(f[1]=1,1);
	fo(i,2,mx)
	{
		if (i == p[i]) f[i] = ((LL)p[i]*s[i]-1)/(s[i]-1);
		else f[i] = f[i/p[i]] * f[p[i]];
		a[i]= PI(f[i],i);
	}
}

int C[maxn];
inline void Insert(int x,int v)
{
	for (;x <= mx;x += x&(-x)) C[x] += v;
}

inline int Query(int x)
{
	int ret = 0;
	for (;x;x -= x&(-x)) ret += C[x];
	return ret;
}

void Initialize()
{
	scanf("%d",&Q);
	fo(i,1,Q) in[i].read(), in[i].id = i; 
	EulerSelect();
	sort(a+1,a+1+mx);
	sort(in+1,in+1+Q,cmpk);
}

int ANS[maxn];
void Work()
{
	int last = 0;
	fo(i,1,Q)
	{
		for (int j = last+1;;j ++)
		{
			if (a[j].first > in[i].K) break;
			last = j;
			fo(k,1,mx)
				if (a[j].second * k <= mx)
					Insert(a[j].second*k,a[j].first*miu[k]);
				else break;
		}
		int ans = 0, N = in[i].N, M = in[i].M;
		for (int j = 1;j <= N && j <= M;)
		{
			int _j = min(N/(N/j),M/(M/j));
			ans += (N/j)*(M/j) * (Query(_j) - Query(j-1));
			j = _j + 1;
		}
		ans = ans & ((1ll<<31)-1); 
		if (ans < 0) ans += 1ll<<31;
		ANS[in[i].id] = ans;
	}
	fo(i,1,Q) printf("%d\n",ANS[i]);
}

int main()
{
	freopen("table.in","r",stdin);
	freopen("table.out","w",stdout);
	Initialize();
	Work();
	return 0;
}


深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值