第 52 场双周赛 1862. 向下取整数对和

前言

上去一眼,感觉就是傻逼题,整除分块搞一下,复杂度也就sqrt(1)+sqrt(2)+…+sqrt(1e5) (没有仔细去算这个值是多少),感觉上大分了。。
然后疯狂TLE test44在这里插入图片描述
后面算了一下上面那个式子,复杂度大概2e7,但是因为过程中还有反复的取模操作,所以稳稳的TLE了。。


思路

其实可以根据素数筛法来优化这个计算过程,我们计算一个数是不是素数,其实就是枚举sqrt以内的看能不能整除,这样子复杂度自然高,而素数筛则是反过来,我去枚举因子筛掉那些能整除的数。
同理,整除分块是枚举这个值,看有多少个答案能被计算进去,那么根据素数筛的提示,我们反过来,去考虑这些所谓的答案能对哪些数字有贡献,那么答案就呼之欲出了

类似素数筛的过程,枚举给定数组中的一个数字x,然后计算区间
[x,2x)这个区间数字的个数,这个区间内的每个数字贡献答案为1
[2x,3x)这个区间数字的个数,这个区间内每个数字贡献答案为2

注意如果有多少个x的话,需要乘上x个个数,因为一个x就贡献了那么多,区间中的个数,数组标记,扫个前缀和即可。

typedef long long ll;
const ll mod=1e9+7;
class Solution {
public:
    int sumOfFlooredPairs(vector<int>& nums) {
        vector<int>cnt(100001,0);
        //数组标记
        for(auto &x:nums){
            cnt[x]++;
        }
        //扫个前缀和
        for(int i=1;i<=100000;i++){
            cnt[i]+=cnt[i-1];
        }
        ll ans=0;
        for(int i=1;i<=100000;i++){
        	//看i这个数字有没有
            if(cnt[i]-cnt[i-1]){
            	//K表示数字i的个数
                int K=cnt[i]-cnt[i-1];
                //j就是贡献的答案,注意不要数组越界
                for(int j=1;i*j<=100000;j++){
                    ans+=(cnt[min(100000,j*i+i-1)]-cnt[j*i-1])*j%mod*K%mod;
                    ans%=mod;
                }
            }
        }
        return ans;
    }
};
深度学习是机器学习的一个子领域,它基于人工神经络的研究,特别是利用多层次的神经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. **神经络(Neural Networks)**:深度学习的基础是人工神经络,它是由多个层组成的络结构,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. **前馈神经络(Feedforward Neural Networks)**:这是最常见的神经络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经络(Convolutional Neural Networks, CNNs)**:这种络特别适合处理具有格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经络(Recurrent Neural Networks, RNNs)**:这种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. **生成对抗络(Generative Adversarial Networks, GANs)**:由两个络组成,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,它们在神经络中用于添加非线性,使得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

打赏作者

我不会c语言

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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