hdu 4473 Exam

题目描述:设f(n)表示正整数n%(a*b)==0的组对数目,求前n项和。

解法:

我们列一下 

对于1 有(1,1)        1/1/1=1

对于2 有(1,1) (1,2) (2,1)       2/1/1=2    2/1/2=1    2/2/1=1

对于3 有(1,1) (1,3) (3,1)       3/1/1=3    3/1/3=1    3/3/1=1

于是题目变成了求a*b*c<=n的组数


#include<stdio.h> 
int main()
{
    int cas=1;
    long long n ,i,j,t,a;
     while(scanf("%I64d",&n)!= EOF&&n)
{
        long long ans=0;
        for( i=1;i*i*i<=n;i++) ans++;  //a,b, c相同的情况。不用排列
        for( i=1;i*i<=n;i++)                //a,b,c中有两个一样的情况,比如, a=b,  
{
               t=n/i/i;                            //  t=c;
            if(t>=i) ans+=(t-1)*3;    //  如果t>=i,则1~t中不能取i,取了就变成3个i,取完后排列,C(1,3) ;
            else ans+=t*3;               //若t<i,则不担心出现3个一样的。取完后排列。
        }
        for( i=1;i*i*i<=n;i++)      //3个都不一样的情况
{
             t=n/i;                         //枚举a, t=b*c
            for( j=i+1;j*j<=t;j++)    // 枚举 b ,
   {
                 a=t/j;                    //a=c;
                if(a>j)                    //a,b,c的关系是,  a<b<=c  ;    所以防止b=c的情况。
ans+=(a-j)*6;    //三个都不一样,排列。C(2,3) ;
            }
        }
       printf("Case %d: %I64d\n",cas++,ans);
    }
    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