莫比乌斯反演学习笔记

0.前置知识

一些函数
  1. \(1(n)=1\)
  2. \(id(n)=n\)
  3. \(\sigma(n)\)\(n\)的约数和
狄利克雷卷积

定义两个数论函数运算\(*\)

\(h=f*g\),则
\[ h(n)=\sum_{d|n}f(d)g(\frac nd) \]
它满足一些性质:

  1. \(f*g=g*f\)

  2. \(f*(g*h)=(f*g)*h\)

    因为\(\sum_{(ij)k=n}(f(i)g(j))h(k)=\sum_{i(jk)=n}f(i)(g(j)h(k))\)

  3. \((f+g)*h=f*h+g*h\)

  4. \((xf)*g=x(f*g)\)

  5. 设单位元\(\epsilon(n) = [n = 1]\),则\(\epsilon*f=f\)

  6. 对于每个\(f(1)\neq 0\)的函数\(f\),存在逆元\(g\)使得\(f*g=\epsilon\)

如何求一个函数的逆元呢?

\(g(n)\)满足以下式子:
\[ g(n)=\frac 1{f(1)}\left(\epsilon(n)-\sum_{i|n,i\neq1}f(i)g(\frac ni)\right) \]
这样的话:
\[ \sum_{i|n}f(i)g(\frac ni) \\ =f(1)g(n) + \sum_{i|n, i\neq 1} f(i)g(\frac ni) \\ =\epsilon(n) \\ \therefore f*g=\epsilon \]

1.莫比乌斯反演

定义一个函数\(\mu\)使得\(\mu*1=\epsilon\)

这样的话,如果\(g*1=f\),则\(f*\mu=g\)

即:如果\(f(n)=\sum_{d|n}g(d)\),则\(g(n)=\sum_{d|n}\mu(d)f(\frac nd)\)

是不是很简单

2.题目

\(n<m\)求:

#1

\[ \sum_{i=1}^n\sum_{j=1}^m[gcd(i,j)=1] \]

\(f=\epsilon\)\(\because \epsilon=1*\mu,\;\therefore g=\mu\)

于是原式变为:
\[ \sum_{i=1}^n\sum_{j=1}^m\sum_{d|i,d|j}\mu(d) \\ =\sum_{d=1}^n \mu(d)\sum_{i=1}^n\sum_{j=1}^m[d|i][d|j] \\ =\sum_{d=1}^n \mu(d)\left[\frac nd\right]\left[\frac md\right] \]
预处理\(\mu\),数论分块就可以\(O(\sqrt n)\)求了

#2

\[ \sum_{i=1}^n\sum_{j=1}^m gcd(i,j) \]

\(f=id\)\(\because id=1*\varphi,\;\therefore g=\varphi\)

于是原式变为:
\[ \sum_{d=1}^n\varphi(d)\left[\frac nd\right]\left[\frac md\right] \]

#3

\[ \sum_{i=1}^n\sum_{j=1}^m\sigma(gcd(i,j)) \]

\(f=\sigma\)\(\because\sigma=1*(\mu*\sigma),\;\therefore g=\mu*\sigma\)

于是原式变为:
\[ \sum_{d=1}^ng(d)\left[\frac nd\right]\left[\frac md\right] \]
因为积性函数可以线性筛,所以也可以预处理

#4

\[ \sum_{i=1}^n\sum_{j=1}^mf(gcd(i,j)) \]

\(g=\mu*f\),如果我们能预处理出\(f\),那么可以这样求\(g\)

(当然是蒯的啦)

void get_g_1(int N, const int *f, int *g)
{
    for (int i = 1; i <= N; i++) g[i] = 0;
    for (int i = 1; i <= N; i++)
        for (int j = 1; i * j <= N; j++)
            g[i * j] = (g[i * j] + mu[i] * f[j]) % mod;
} // 依照定义,O(nlogn)

void get_g_2(int N, const int *f, int *g)
{
    for (int i = 1; i <= N; i++) g[i] = f[i];
    for (int i = 1; i <= N; i++)
        for (int j = 2; i * j <= N; j++)
            g[i * j] = (g[i * j] - g[i]) % mod;
} // 类似求狄利克雷卷积逆的方式,不需要线性筛 mu ,O(nlogn)

void get_g_3(int N, const int *f, int *g)
{
    for (int i = 1; i <= N; i++) g[i] = f[i];
    for (int i = 0; i < prime_count; i++)
        for (int j = N / prime[i]; j >= 1; j--)
            g[j * prime[i]] = (g[j * prime[i]] - g[j]) % mod;
} // Magic! O(nloglogn)

于是原式变为:
\[ \sum_{d=1}^ng(d)\left[\frac nd\right]\left[\frac md\right] \]

转载于:https://www.cnblogs.com/cj-xxz/p/10182999.html

一、数据采集层:多源人脸数据获取 该层负责从不同设备 / 渠道采集人脸原始数据,为后续模型训练与识别提供基础样本,核心功能包括: 1. 多设备适配采集 实时摄像头采集: 调用计算机内置摄像头(或外接 USB 摄像头),通过OpenCV的VideoCapture接口实时捕获视频流,支持手动触发 “拍照”(按指定快捷键如Space)或自动定时采集(如每 2 秒采集 1 张),采集时自动框选人脸区域(通过Haar级联分类器初步定位),确保样本聚焦人脸。 支持采集参数配置:可设置采集分辨率(如 640×480、1280×720)、图像格式(JPG/PNG)、单用户采集数量(如默认采集 20 张,确保样本多样性),采集过程中实时显示 “已采集数量 / 目标数量”,避免样本不足。 本地图像 / 视频导入: 支持批量导入本地人脸图像文件(支持 JPG、PNG、BMP 格式),自动过滤非图像文件;导入视频文件(MP4、AVI 格式)时,可按 “固定帧间隔”(如每 10 帧提取 1 张图像)或 “手动选择帧” 提取人脸样本,适用于无实时摄像头场景。 数据集对接: 支持接入公开人脸数据集(如 LFW、ORL),通过预设脚本自动读取数据集目录结构(按 “用户 ID - 样本图像” 分类),快速构建训练样本库,无需手动采集,降低系统开发与测试成本。 2. 采集过程辅助功能 人脸有效性校验:采集时通过OpenCV的Haar级联分类器(或MTCNN轻量级模型)实时检测图像中是否包含人脸,若未检测到人脸(如遮挡、侧脸角度过大),则弹窗提示 “未识别到人脸,请调整姿态”,避免无效样本存入。 样本标签管理:采集时需为每个样本绑定 “用户标签”(如姓名、ID 号),支持手动输入标签或从 Excel 名单批量导入标签(按 “标签 - 采集数量” 对应),采集完成后自动按 “标签 - 序号” 命名文件(如 “张三
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