BZOJ 2705 [SDOI2012]Longge的问题【Euler变形】

2705: [SDOI2012]Longge的问题

Time Limit: 3 Sec   Memory Limit: 128 MB
Submit: 2418   Solved: 1474
[ Submit][ Status][ Discuss]

Description

Longge的数学成绩非常好,并且他非常乐于挑战高难度的数学问题。现在问题来了:给定一个整数N,你需要求出∑gcd(i, N)(1<=i <=N)。

Input

一个整数,为N。

Output

一个整数,为所求的答案。

Sample Input

6

Sample Output

15

HINT

【数据范围】

对于60%的数据,0<N<=2^16。

对于100%的数据,0<N<=2^32。

 



思路:如果直接遍历数据大不行,那就找出N的所有因子,这样就变少了,如果 GCD(i,N)=K,->GCD(i/K,N/K)=1(GCD(a,b)==1优先考虑欧拉,反之成立), 对于一个因子对区间产生的影响就是区间内有多少数和N的最大因子是K,经过上述转化就成求N/K的欧拉函数了,直接上模板就行,求出欧拉函数后乘以K,就是因子K产生的影响,求所有因子之和就行了,由于N的因子在<=sqrt(N)的确定,就可以优化一下,对于i*i==N还需特判;

失误:有点思路但不清晰,知道从因子入手,还是差一点。


AC代码:

#include<cstdio>

typedef long long LL;

LL Euler(LL N)
{
	int i=0,eu=N;
	for(i=2;i*i<=N;++i)
	{
		if(N%i==0)
		{
			eu=eu/i*(i-1);
			while(N%i==0) N/=i;
		}
	}
	if(N>1) eu=eu/N*(N-1);
	return eu;
}
int main()
{
	LL N,i;
	while(~scanf("%lld",&N))
	{
		LL ans=0;
		for(i=1;i*i<N;++i)
		{
			if(N%i==0)
			{
				ans=ans+i*Euler(N/i)+N/i*Euler(i);
			 } 
		 } 
		 if(i*i==N) {
		 	ans+=i*Euler(i); 
		 }
		 printf("%lld\n",ans);
	}
	return 0;
 } 

 

资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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