洛谷-1829 [国家集训队]Crash的数字表格 / JZPTAB

Java对接海康威视明眸门禁设备 海康威视合作生态致力打造一个能力开放体系、两个生态圈,Hikvision AI Cloud开放平台是能力开放体系的核心内容。它是海康威视基于多年在视频及物联网核心技术积累之上,融合AI、大数据、云计算等技术,为合作伙伴提供的一个二次开发及创新的平台。的SDK复制到linux的lib目录下(如果是docker发布,记得做好共享映射哦)大家有没有想过,windows版的SDK为什么要复制到项目根目录的lib文件夹下?所以发布到linux的时候,我们需要将。打开AcsMain文件。................ 阅读详情

题目背景
提示:原 P1829 半数集问题 已经迁移至 P1028 数的计算
题目描述
今天的数学课上,Crash小朋友学习了最小公倍数(Least Common Multiple)。对于两个正整数a和b,LCM(a, b)表示能同时整除a和b的最小正整数。例如,LCM(6, 8) = 24。
回到家后,Crash还在想着课上学的东西,为了研究最小公倍数,他画了一张NM的表格。每个格子里写了一个数字,其中第i行第j列的那个格子里写着数为LCM(i, j)。一个45的表格如下:
1 2 3 4 5
2 2 6 4 10
3 6 3 12 15
4 4 12 4 20
看着这个表格,Crash想到了很多可以思考的问题。不过他最想解决的问题却是一个十分简单的问题:这个表格中所有数的和是多少。当N和M很大时,Crash就束手无策了,因此他找到了聪明的你用程序帮他解决这个问题。由于最终结果可能会很大,Crash只想知道表格里所有数的和mod20101009的值。
输入格式
输入的第一行包含两个正整数,分别表示N和M。
输出格式
输出一个正整数,表示表格中所有数的和mod20101009的值。

输入输出样例
输入 #1
4 5

输出 #1
122

说明/提示
100%的数据满足N, M≤ 10^7。

解释:推公式呗~转大佬的来学习一下
Solution
易知原式等价于
∑i=1n∑j=1mi⋅jgcd⁡(i,j)\sum\limits_{i=1}^n\sum\limits_{j=1}^m\frac{i\cdot j}{\gcd(i,j)}i=1∑n​j=1∑m​gcd(i,j)i⋅j​
枚举最大公因数 d,显然两个数除以 d 得到的数互质
∑i=1n∑j=1m∑d∣i,d∣j,gcd⁡(id,jd)=1i⋅jd\sum\limits_{i=1}^n\sum\limits_{j=1}^m\sum\limits_{d|i,d|j,\gcd(\frac{i}{d},\frac{j}{d})=1}\frac{i\cdot j}{d}i=1∑n​j=1∑m​d∣i,d∣j,gcd(di​,dj​)=1∑​di⋅j​
非常经典的 gcd⁡\gcdgcd 式子的化法
∑d=1nd⋅∑i=1⌊nd⌋∑j=1⌊md⌋[gcd⁡(i,j)=1]⋅i⋅j\sum\limits_{d=1}^n d\cdot\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}[\gcd(i,j)=1]\cdot i\cdot jd=1∑n​d⋅i=1∑⌊dn​⌋​j=1∑⌊dm​⌋​[gcd(i,j)=1]⋅i⋅j
后半段式子中,出现了互质数对之积的和,为了让式子更简洁就把它拿出来单独计算。于是我们记
sum⁡(n,m)=∑i=1n∑j=1m[gcd⁡(i,j)=1]⋅i⋅j\operatorname{sum}(n,m)=\sum\limits_{i=1}^n\sum\limits_{j=1}^m [\gcd(i,j)=1]\cdot i\cdot jsum(n,m)=i=1∑n​j=1∑m​[gcd(i,j)=1]⋅i⋅j
接下来对 sum⁡(n,m)\operatorname{sum}(n,m)sum(n,m) 进行化简。首先枚举约数,并将 [gcd⁡(i,j)=1][\gcd(i,j)=1][gcd(i,j)=1] 表示为 ε(gcd⁡(i,j))ε(gcd(i,j))∑d=1n∑d∣in∑d∣jmμ(d)⋅i⋅j\varepsilon(\gcd(i,j))ε(gcd(i,j)) \sum\limits_{d=1}^n\sum\limits_{d|i}^n\sum\limits_{d|j}^m\mu(d)\cdot i\cdot jε(gcd(i,j))ε(gcd(i,j))d=1∑n​d∣i∑n​d∣j∑m​μ(d)⋅i⋅j
指上式中的 i,ji,j ),显然式子可以变为
∑d=1nμ(d)⋅d2⋅∑i=1⌊nd⌋∑j=1⌊md⌋i⋅j\sum\limits_{d=1}^n\mu(d)\cdot d^2\cdot\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}i\cdot jd=1∑n​μ(d)⋅d2⋅i=1∑⌊dn​⌋​j=1∑⌊dm​⌋​i⋅j
观察上式,前半段可以预处理前缀和;后半段又是一个范围内数对之和,记
g(n,m)=∑i=1n∑j=1mi⋅j=n⋅(n+1)2×m⋅(m+1)2g(n,m)=\sum\limits_{i=1}^n\sum\limits_{j=1}^m i\cdot j=\frac{n\cdot(n+1)}{2}\times\frac{m\cdot(m+1)}{2}g(n,m)=i=1∑n​j=1∑m​i⋅j=2n⋅(n+1)​×2m⋅(m+1)​
至此
sum⁡(n,m)=∑d=1nμ(d)⋅d2⋅g(⌊nd⌋,⌊md⌋)\operatorname{sum}(n,m)=\sum\limits_{d=1}^n\mu(d)\cdot d^2\cdot g(\lfloor\frac{n}{d}\rfloor,\lfloor\frac{m}{d}\rfloor)sum(n,m)=d=1∑n​μ(d)⋅d2⋅g(⌊dn​⌋,⌊dm​⌋)
我们可以 ⌊n⌊nd⌋⌋\lfloor\frac{n}{\lfloor\frac{n}{d}\rfloor}\rfloor⌊⌊dn​⌋n​⌋
数论分块求解 sum⁡(n,m)\operatorname{sum}(n,m)sum(n,m)函数。
在求出 sum⁡(n,m)\operatorname{sum}(n,m)sum(n,m) 后,回到定义 sum⁡\operatorname{sum}sum 的地方,可得原式为
∑d=1nd⋅sum⁡(⌊nd⌋,⌊md⌋)\sum\limits_{d=1}^n d\cdot\operatorname{sum}(\lfloor\frac{n}{d}\rfloor,\lfloor\frac{m}{d}\rfloor)d=1∑n​d⋅sum(⌊dn​⌋,⌊dm​⌋)
可见这又是一个可以数论分块求解的式子!
最后分块就好了

#include <cstdio>
#include <algorithm>
using namespace std; 
const int N=1e7;
const int mod=20101009;
int n,m,mu[N+5],p[N/10+5],sum[N+5];
bool flg[N+5];
void init() {
    mu[1]=1;
    int tot=0,k=min(n,m);
    for(int i=2;i<=k;++i) {
        if(!flg[i]) p[++tot]=i,mu[i]=-1;
        for(int j=1;j<=tot&&i*p[j]<=k;++j) {
            flg[i*p[j]]=1;
            if(i%p[j]==0) {mu[i*p[j]]=0;break;}
            mu[i*p[j]]=-mu[i];
        }
    }
    for(int i=1;i<=k;++i) sum[i]=(sum[i-1]+1LL*i*i%mod*(mu[i]+mod))%mod;
}
int Sum(int x,int y) {
    return (1LL*x*(x+1)/2%mod)*(1LL*y*(y+1)/2%mod)%mod;
}
int func(int x,int y) {
    int res=0;
    for(int i=1,j;i<=min(x,y);i=j+1) {
        j=min(x/(x/i),y/(y/i));
        res=(res+1LL*(sum[j]-sum[i-1]+mod)*Sum(x/i,y/i)%mod)%mod;
    }
    return res;
}
int solve(int x,int y) {
    int res=0;
    for(int i=1,j;i<=min(x,y);i=j+1) {
        j=min(x/(x/i),y/(y/i));
        res=(res+1LL*(j-i+1)*(i+j)/2%mod*func(x/i,y/i)%mod)%mod;
    }
    return res;
}
int main() {
    scanf("%d%d",&n,&m);
    init();
    printf("%d\n",solve(n,m));
}
2026年国赛C题微网与外部电网电力调控策略 (三):问题三、问题四滚动预测、实时电价与结果核验 专栏内定期更新ABCDE五题详细思路、代码(含运行结果图)和讲解视频-(11号之前半价):问题三看起来只是多给了一个光伏预报附件,实质上它改变了整道题的信息结构:问题四则是在问题二、问题三之上替换价格来源。问题4-2相当于“确定性计划+实时电价”,问题4-3相当于“滚动预测+实时电价”。物理模型完全不变,改变的是价格序列和费用口径。本文先给出核心结果:从结果看,问题3比问题2多约164.21万元,问题4-3比问题4-2多约168.79万元。主要增量不是“储能没有工作”,而是预测误差、计划偏差和紧急购电造成的 阅读详情

相关推荐

SRAM vs RRAM:存算一体芯片选型指南(含最新技术对比)

本文深入对比了SRAM与RRAM在存算一体芯片设计中的核心差异,为硬件工程师和架构师提供实战选型指南。文章从技术本质、性能、功耗、成本及设计风险等多维度剖析,指出SRAM基于成熟CMOS工艺,适合高精度、低延迟场景;而RRAM凭借非易失性和高密度潜力,在超低功耗、固定模型应用中优势明显。决策需综合项目预算、上市时间及技术储备。

e4f5g6h的博客 945

洛谷 P1829 :[国家集训队]Crash的数字表格 / JZPTAB(莫比乌斯反演)

题解: 假设n&lt;mn &lt; mn<m,一波化简:∑i=1n∑j=1mlcm(i,j)=∑i=1n∑j=1mi∗jgcd(i,j)=∑d=1n∑i=1n∑j=1mi∗jd∗[gcd(i,j)=d]=∑d=1n∑i=1⌊nd⌋∑j=1⌊md⌋i∗j∗d∗[gcd(i,j)=1]\sum_{i = 1}^n\sum_{j = 1}^{m}lcm(i,j) = \sum...

qq_41997978的博客 255

Shopee滑块验证码太刁钻?手把手教你用Python+Playwright绕过弧形验证(附影刀RPA接入代码)

本文详细介绍了如何使用Python和Playwright结合SadCaptcha第三方服务高效破解Shopee平台的弧形滑块验证码,并集成到影刀RPA工作流中。该方案开发周期短、准确率高(>90%),特别适合跨境电商自动化操作,已在实际项目中验证成功。

weixin_29284657的博客 571

洛谷2024年四月小计(4月30日)

洛谷2024年三月小计(3月31日)

hlb20130715的博客 307

[OHIF-Viewers]医疗数字阅片-医学影像-cornerstone-core-Cornerstone.js-Cornerstone Examples-基石实例-下...

[OHIF-Viewers]医疗数字阅片-医学影像-cornerstone-core-Cornerstone.js-Cornerstone Examples-基石实例-下 CT Image with Window presets This is an example of displaying a ct image along with buttons to set ww/wc pres...

浩秦的博客 1844

本地使用大模型:Ollama+open-webui+AnythingLLM(Windows+linux)

随着大模型的发展,大量的开源模型可以被直接使用。大模型的使用可以选择在云端或者在本地,如果本地存储空间尚可,而且模型需求不是很大的话,我们可以选择在本地部署一个大模型来使用。针对特定的任务需求,进一步在本地去微调我们的大模型。我在windows和linux上都尝试了一遍,这里记录一下过程。

wpqgt的博客 2167

bzoj2154 (洛谷P1829) : Crash的数字表格 (莫比乌斯反演)

bzoj2154 (洛谷P1829) : Crash的数字表格 题意 求 ∑i=1n∑j=1mlcm(i,j)∑i=1n∑j=1mlcm(i,j)\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m} lcm(i,j) 题解 显然 lcm(i,j)=ijgcd(i,j)lcm(i,j)=ijgcd(i,j)lcm(i,j)=\frac{ij}{gcd(...

生活不易,多才多艺 344

AirSim中图像API的应用

解析Airsim图像获取保存的api

fegxg的博客 1608

洛谷P1829 - [国家集训队]Crash的数字表格

Portal Description 给出\(n,m(n,m\leq10^7)\),计算\[ \sum_{i=1}^n \sum_{j=1}^m lcm(i,j) \bmod 20101009\] fdsa Solution 推推推... \[\begin{align} ans &= \sum_{i=1}^n \sum_{j=1}^m lcm(i,j) \\ &...

ayw1069的博客 163

RK3588 buildroot 制作的系统增加 docker 支持

RK3588 使用buildroot制作的系统添加 docker 和 docker-compose 的功能

荻夜的博客 1569

OpenClaw插件配置错误修复完全指南

插件文件名是插件目录结构正确package.json配置正确OpenClaw的插件系统还在快速迭代,偶尔会遇到这种配置问题。看错误信息检查配置文件检查实际文件对比差异修复问题大部分问题都能解决。查看官方文档:https://openclaw.ai/docs提Issue:https://github.com/openclaw/openclaw/issues加入Discord社区求助快速修复命令汇总。

Maynor的博客 4103

[国家集训队]Crash的数字表格 / JZPTAB

题目描述 今天的数学课上,Crash小朋友学习了最小公倍数(Least Common Multiple)。对于两个正整数a和b,LCM(a, b)表示能同时整除a和b的最小正整数。例如,LCM(6, 8) = 24。 回到家后,Crash还在想着课上学的东西,为了研究最小公倍数,他画了一张NM的表格。每个格子里写了一个数字,其中第i行第j列的那个格子里写着数为LCM(i, j)。一个45的表格如下...

weixin_30325071的博客 142

r -括号[ ]和双括号[[ ]]之间的差异

这与我们试图在屏幕上显示r的值时完全相同,这意味着使用单括号返回了一个列表,其中在索引1处,我们有一个10个元素的向量,然后我们有两个名为foo和far的元素。另一方面,双括号将只返回列表中的一个元素。在这个例子中,我们给出了一个索引“1”,作为回报,我们得到了一个包含一个元素的列表(这是一个包含10个数字的数组)-单括号会给我们一个列表。简而言之,单个括号将始终返回另一个列表,其元素数等于传递到单个括号中的元素数或索引数。在这个例子中,我们传递了一个元素的名称,作为回报,返回了一个包含一个元素的列表。

Mrrunsen的博客 2168

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB

### 题目大意 给出$n,m$,求$\sum\limits_{i=1}^n\sum\limits_{j=1}^m lcm(i,j)$

tanjunming2020的博客 1193

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB(包括多组数据)

### 题目大意 给出$n,m$,求$\sum\limits_{i=1}^n\sum\limits_{j=1}^m lcm(i,j)$。有$T$组数据,$1\leq T\leq 10^4$。

tanjunming2020的博客 1214

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

洛谷 1829 [国家集训队]Crash的数字表格 / JZPTAB 题解

题意简述 求 ∑i=1n∑j=1mlcm(i,j)\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}lcm(i,j)i=1∑n​j=1∑m​lcm(i,j) (其中n,m&lt;=1e7n,m&lt;=1e7n,m<=1e7) 数据 输入 4 5 输出 122 思路 一看就知道是反演。。。 来推式子吧! 令g=gcd(i,j)g=gcd(i,...

LightningUZ的博客 283

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

洛谷 P1829 [国家集训队]Crash的数字表格 / JZPTAB

题意 求 ∑i=1n∑j=1mlcm(i,j)( mod 20101009)\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{m}\text{lcm}(i,j)(\bmod 20101009)i=1∑n​j=1∑m​lcm(i,j)(mod20101009) 思路 容易想到原式等价于 ∑i=1n∑j=1mi∗jgcd⁡(i,j)\sum\limits_{i=1}^{n...

Loceaner的博客 253

洛谷 P1829 [国家集训队]Crash的数字表格 / JZPTAB 莫比乌斯反演

P1829 我又来推式子了(找虐了),假设n&lt;=m                                   这个gcd作分母看起来有点麻烦,我们去掉它:                           与其枚举两个数看他们的gcd是否等于d,不如直接枚举d的倍数:                           把d提前:              ...

ccsu_cat 287

洛谷 P1829 [国家集训队]Crash的数字表格 / JZPTAB 解题报告

[国家集训队]Crash的数字表格 / JZPTAB 题意 求\(\sum\limits_{i=1}^n\sum\limits_{j=1}^mlcm(i,j)\),\(n,m\le 10^7\) 鉴于我式子没推出来,所以再推一遍。 \[\sum\limits_{i=1}^n\sum\limits_{j=1}^mlcm(i,j)\] \[=\sum\limits_{i=1}^n\sum\limit...

weixin_30820077的博客 121

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB (莫比乌斯反演+数论分块+线性筛)

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB (数论) 题解:直接上推导式子的过程。根据数论函数求和的题目的一些套路,我们可以尝试把原式转化为可以应用数论分块的求和式,从而降低求和的时间复杂度。不妨先设 n≤mn\le mn≤m 。 原式:∑i=1n∑j=1mlcm(i,j)\sum\limits_{i=1}^n\sum\limits_{j=1}^mlcm(i,j)i=1∑n​j=1∑m​lcm(i,j) =∑i=1n∑j=1mijgcd(i,j)=\sum\limits_{i=1}

m0_52639539的博客 309

洛谷 P1829 [国家集训队]Crash的数字表格 / JZPTAB(莫比乌斯反演)

题意:求$\sum_{i=1}^{n}\sum_{j=1}^{m}lcm(i,j)$。 开始开心(自闭)化简: $\sum_{i=1}^{n}\sum_{j=1}^{m}lcm(i,j)$ =$\sum_{d=1}^{n}\sum_{i=1}^{n}\sum_{j=1}^{m}\frac{ij}{d}[gcd(i,j)==d]$ =$\sum_{d=1}^{n}\sum_{i=1...

weixin_30458043的博客 172

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB(莫比乌斯反演)

题目背景 提示:原 P1829 半数集问题 已经迁移至 P1028 数的计算 题目描述 今天的数学课上,Crash小朋友学习了最小公倍数(Least Common Multiple)。对于两个正整数a和b,LCM(a, b)表示能同时整除a和b的最小正整数。例如,LCM(6, 8) = 24。 回到家后,Crash还在想着课上学的东西,为了研究最小公倍数,他画了一张N*M的表格。每个格子里...

weixin_30462049的博客 186

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB(莫比乌斯反演)

传送门 式子好麻烦orz……大佬好腻害orz->这里 1 //minamoto 2 #include<iostream> 3 #include<cstdio> 4 #define ll long long 5 using namespace std; 6 const int N=1e7+5,mod=20101009; 7 int...

weixin_34122548的博客 83

洛谷·[国家集训队]Crash的数字表格 / JZPTAB

洛谷P1829 [国家集训队]Crash的数字表格 / JZPTAB 莫比乌斯反演 整除分块

樱狸✨愿携清风归来处 240

P1829 [国家集训队]Crash的数字表格 / JZPTAB

莫比乌斯反演

Ajwallet 449

[luogu P1829] [国家集训队]Crash的数字表格 / JZPTAB

我丢 : https://www.luogu.com.cn/problem/P1829 先假设n<m先假设n < m先假设n<m ∑i=1n∑j=1mlcm(i,j)=∑i=1n∑j=1ni×jgcd⁡(i,j)=∑d=1n∑i=1⌊n/d⌋∑j=1⌊m/d⌋[gcd⁡(i,j)=1]d×i×j(枚举d=gcd)=∑d=1n∑i=1⌊n/d⌋∑j=1⌊m/d⌋∑k∣gcd⁡(i,j)μ(k)×d×i×j=∑d=1n∑k=1⌊n/d⌋∑i=1⌊n/kd⌋∑j=1⌊m/kd⌋μ(k)×d×ik

lahlah的博客 561
上一篇: 洛谷-4884 多少个1?
下一篇: 洛谷-4720 【模板】扩展卢卡斯
mkopvec
博客等级 码龄8年 22粉丝 331原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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