bzoj2820&&COGS2165 YY的GCD

bzoj传送门(权限)
COGS传送门
Description
神犇YY虐完数论后给傻×kAc出了一题给定N, M,求1<=x<=N, 1<=y<=M且gcd(x, y)为质数的(x, y)有多少对kAc这种傻×必然不会了,于是向你来请教……多组输入
Input
第一行一个整数T 表述数据组数接下来T行,每行两个正整数,表示N, M
Output
T行,每行一个整数表示第i组数据的结果
Sample Input
2
10 10
100 100
Sample Output
30
2791
HINT
T = 10000
N, M <= 10000000
Source

题解

mobius反演。。
正经地写一篇关于反演的题解
设F(x)为n|gcd(i,j)(i,j在给定范围内)的i,j的个数
f(x)为n=gcd(i,j)的i,j的个数
根据反演,得

f(n)=n|dμ(dn)F(d)

因为以 p[i] (p是素数数组)为gcd等价于同除以 p[i] 后互质
=i1totp[i]|dμ(d)np[i]dmp[i]d

p[i]d=T
ans=i=1totnTmTp[i]|Tμ(Tp[i])

//其实我更喜欢把最后的 Tp[i] 看作 d ,这样在最后写代码的时候理解起来方便一些
这样以后如果我们能预处理p[i]|Tμ(d)就能完成要求
我们只需要枚举每个质数,更新其所有倍数就好了
剩下的和原先的反演几乎没有区别

CODE:

#include<cstdio>
#define N 10000005
#define maxn 700000
typedef long long ll;
int prime[maxn];
bool Prime[N];
int mu[N];
ll f[N];
int T,n,m,tot;
inline int min(const int &a,const int &b){return a<b?a:b;}
inline void swap(int &a,int &b){a^=b,b^=a,a^=b;}
inline void mobius()
{
    mu[1]=1;
    for(int i=2;i<=N-5;i++)
    {
        if(!Prime[i]) prime[++tot]=i,mu[i]=-1;
        for(int j=1;j<=tot&&i*prime[j]<=N-5;j++)
        {
            Prime[i*prime[j]]=1;
            if(i%prime[j]==0) break;
            mu[i*prime[j]]=-mu[i];
        }
    }
    for(int i=1;i<=tot;i++)
      for(int j=1;j*prime[i]<=N-5;j++)
        f[j*prime[i]]+=mu[j];
    for(int i=2;i<=N-5;i++)
      f[i]+=f[i-1];
}
inline ll ask(int n,int m)
{
    if(n>m) swap(n,m);
    ll ans=0;
    for(int i=1,last;i<=n;i=last+1)
    {
        last=min(n/(n/i),m/(m/i));
        ans+=(f[last]-f[i-1])*(n/i)*(m/i);
    }
    return ans;
}
int main()
{
    scanf("%d",&T);
    mobius();
    while(T--)
    {
        scanf("%d%d",&n,&m);
        printf("%lld\n",ask(n,m));
    }
    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