2017秦皇岛ccpc G(大数除法、取余+均分)

这篇博客探讨了一种求解序列和为n的m个整数,使得序列或值最小的算法。作者首先考虑了平均分配,然后通过分析特殊情况n=314,m=10,发现不能简单均分。接着提出对于除数x=n/m+1,检查其是否为2的幂次,如果是,则分配该数值以避免进位,如果不是,则分配x-lowbit(x)以减少或值。代码中使用了大数运算来处理大整数,确保结果的准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

题目链接:传送门
参考文章
题目:
输入一个n,m求出 序列ai,满足Σai = n,最终使序列ai序列或值最小。

思路:
1、考虑将n均分为m个数字
2、考虑特殊情况n = 314,m = 10;
此时如果均分为32,31,但是32|31 = 63,因为从n/m到n/m+1的二进制数字进位了,所以这样分并不能使最终或值最小。
可以对每次的除数x = n/m+1,然后判断x二进制数字是不是等于2^k;
(1)如果x == 2^k,分配2 ^ k数字,防止进位导致过大;
eg:给314分配(314/32)个32,更新n = 314 - (314/32)* 32 = 26;ans += 32;
(2)如果x != 2^k,考虑除了二进制最后一位一不分配其他都分配即分配( x - lowbit(x) ).
eg:n = 26,m = 10时,算出x = 3;( x - lowbit(x) ) = 2,所以给每个数字分配2,剩余n = 26 - 10*2 = 6,同时更新答案ans += 2;

这样分配可以让每次分配尽量大的数字,但是最终的结果能达到最小。(大数用Java实现更方便)

代码:


import java.util.*;
import java.math.*;

public class Main {

	public static void main(String[] args) {
		// TODO Auto-generated method stub
		Scanner input = new Scanner(System.in);
		BigInteger zero = new BigInteger("0");
		BigInteger one = new BigInteger("1");
		BigInteger two = new BigInteger("2");
		
		int T = input.nextInt();
		for(int i=0;i<T;i++) {
			BigInteger a = input.nextBigInteger();
			BigInteger b = input.nextBigInteger();
			if(a.mod(b).equals(zero) == true) {
				System.out.println(a.divide(b));
				continue;
			}
			BigInteger ans = zero;
			while(a.compareTo(zero) == 1) {
				BigInteger tp = a.divide(b).add(one);
				BigInteger left = lowbit(tp);
				if(left.equals(tp) == true) {
					a = a.subtract(a.divide(tp).multiply(tp));
					ans = ans.add(tp);
				}
				else {
					tp = tp.subtract(left);
					a = a.subtract(b.multiply(tp));
					ans = ans.add(tp);
				}
			}
			
			System.out.println(ans);
		}
	}

	public static BigInteger lowbit(BigInteger x) {
		return x.and(x.multiply(new BigInteger("-1")));
	}
}


<think>好的,我现在要处理用户关于Android 12中RKNN开发配置和使用教程的问题。首先,我需要回顾用户提供的引用内容,看看是否有相关的信息。 用户提供了三个引用。引用1提到了RKNN Model Zoo和RKNN Toolkit2的环境配置,包括安装Miniconda3。引用2是关于系统镜像下载,特别是Ubuntu 22.04版本和导出ONNX模型。引用3讨论了RV1808/1126使用RKNN作为MediaPipe推理后端的步骤,包括配置参数如use_rga、use_mmap和data_type的设置,以及反量化的处理。 用户的问题集中在Android 12上,所以需要将引用中的信息与Android系统关联起来。引用3提到了MediaPipe和RKNN的集成,这可能适用于Android开发,但需要确认是否支持Android 12。此外,RKNN Toolkit2的环境配置可能在不同平台上有所不同,用户可能需要针对Android进行调整。 接下来,我需要考虑Android开发中RKNN的一般步骤,比如环境准备、模型转换、集成到Android应用、配置参数和性能优化。结合引用中的信息,模型转换部分可以参考引用2提到的导出ONNX模型,然后使用RKNN Toolkit转换为RKNN格式。引用3中的配置参数(如use_rga、use_mmap、data_type)可能在Android中同样适用,但需要查阅相关文档确认。 可能还需要指导用户如何将RKNN库集成到Android项目中,比如添加依赖项或NDK配置。此外,性能优化方面,引用3提到的反量化处理可能需要特别注意,尤其是在Android设备上的实现。 最后,确保回答结构清晰,分步骤说明,并引用提供的资料。需要验证引用中的信息是否适用于Android 12,例如系统镜像是否支持,或者是否有特定版本的要求。如果某些步骤在引用中没有明确说明,可能需要提示用户参考官方文档或社区资源。</think>### Android 12 RKNN 开发配置与使用教程 #### 1. **环境准备** - **系统镜像与工具链**: 根据引用[2],建议使用Ubuntu 22.04作为开发环境,并下载Orange Pi 5 Pro等支持RKNN的硬件镜像。对于Android 12开发,需确保RKNN Toolkit2适配Android NDK版本(推荐NDK 21+)[^2]。 - **安装RKNN Toolkit2**: 参考引用[1],通过Miniconda3配置Python环境(建议Python 3.8),并安装RKNN Toolkit2以支持模型转换与推理。命令示例: ```bash pip install rknn_toolkit2 ``` #### 2. **模型转换(ONNX转RKNN)** - **导出ONNX模型**: 使用PyTorch或TensorFlow等框架导出模型为ONNX格式(引用[2])。 - **转换为RKNN格式**: 编写RKNN配置文件(`config.yml`),指定输入尺寸、量化方式等参数。示例代码: ```python from rknn.api import RKNN rknn = RKNN() rknn.config(target_platform='rk3568', mean_values=[[127.5]], std_values=[[127.5]]) rknn.load_onnx(model="model.onnx") rknn.build(do_quantization=True, dataset="dataset.txt") rknn.export_rknn("model.rknn") ``` #### 3. **Android项目集成** - **添加RKNN库依赖**: 将编译好的RKNN动态库(`librknnrt.so`)和模型文件(`model.rknn`)放入Android项目的`jniLibs`目录。 - **JNI接口开发**: 通过JNI调用RKNN的C/C++ API实现推理。关键配置参考引用[3]: ```cpp #include <rknn/rknn_runtime.h> rknn_context ctx; int ret = rknn_init(&ctx, model_path, 0, 0, nullptr); ret = rknn_inputs_set(ctx, input_num, input_attrs); ret = rknn_run(ctx, nullptr); ret = rknn_outputs_get(ctx, output_num, output_attrs, nullptr); ``` #### 4. **关键配置参数** - **use_rga与use_mmap**: 根据引用[3],若Android设备不支持硬件加速(如RGA),需将`use_rga`和`use_mmap`设为`false`。 - **数据量化类型**: `data_type`可选`uint8`或`fp32`。若选`uint8`,需手动实现反量化;若选`fp32`,RKNN会自动处理[^3]。 #### 5. **性能优化** - **多线程推理**: 利用Android的`ThreadPoolExecutor`并行处理输入数据。 - **内存优化**: 启用`use_mmap`(若支持)减少内存拷贝开销,或通过零拷贝技术直接操作物理内存。 #### 6. **调试与验证** - **日志输出**: 启用RKNN的调试模式(`RKNN_LOG_LEVEL=DEBUG`)查看详细运行信息。 - **性能分析**: 使用`rknn.query(RKNN_QUERY_PERF_DETAIL)`获取各层耗时,针对性优化模型结构。
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