hdu2588 GCD(数论:欧拉定理)

又是欧拉定理的运用...

先找出N的约数x,并且gcd(x,N)>= M,结果为所有N/x的欧拉函数之和。

因为x是N的约数,所以gcd(x,N)=x >= M;

设y=N/x,y的欧拉函数为小于y且与y互质的数的个数。

设与y互质的的数为p1,p2,p3,…,p4

那么gcd(x* pi,N)= x >= M。

也就是说只要找出所有符合要求的y的欧拉函数之和就是答案了。

代码如下:

m == 1的情况也要考虑到

#include <math.h>
#include <stdio.h>

int euler_phi(int n) {
    int m = (int)sqrt(n+0.5);
    int i, ans = n;
    for(i=2; i<=m; ++i) {
        if(n%i == 0) {
            ans = ans/i*(i-1);
            n /= i;
            while(n%i == 0)
                n /= i;
        }
    }
    if(n > 1)
        ans =ans/n*(n-1);
    return ans;
}

int f(int n, int m) {
    int tmp = (int)sqrt(n+0.5);
    int i, ans = 0;
    for(i=1; i<=tmp; ++i) {
        if(n%i == 0) {
            if(i >= m) {
                ans += euler_phi(n/i);
            }
            if(i!=n/i && n/i>=m) {
                ans += euler_phi(i);
            }
        }
    }
    return ans;
}

int main(void) {
    int T, n, m, ans;
    scanf("%d", &T);
    while(T--) {
        scanf("%d%d", &n, &m);
        ans = f(n, m);
        printf("%d\n", 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