[BZOJ2820]YY的GCD

本文介绍了一种解决涉及质数的复杂计数问题的方法,通过将问题转化为莫比乌斯函数的应用,并使用预处理技巧来高效计算质数相关的统计量。

题目求“是质数”,我们可以枚举每个质数然后统计答案,假设$n\leq m$

$$\begin{align*}\sum\limits_{\substack{p是质数\\p\leq n}}\ \sum\limits_{i=1}^n\sum\limits_{j=1}^m\left[(i,j)=p\right]&=\sum\limits_{\substack{p是质数\\p\leq n}}\ \sum\limits_{i=1}^{\left\lfloor\frac np\right\rfloor}\sum\limits_{j=1}^{\left\lfloor\frac mp\right\rfloor}\left[(i,j)=1\right]\\&=\sum\limits_{\substack{p是质数\\p\leq n}}\ \sum\limits_{i=1}^{\left\lfloor\frac np\right\rfloor}\sum\limits_{j=1}^{\left\lfloor\frac mp\right\rfloor}\sum\limits_{d|(i,j)}\mu(d)\\&=\sum\limits_{\substack{p是质数\\p\leq n}}\ \sum\limits_{i=1}^{\left\lfloor\frac np\right\rfloor}\sum\limits_{j=1}^{\left\lfloor\frac mp\right\rfloor}\sum\limits_{\substack{d|i\\d|j}}\mu(d)\\&=\sum\limits_{\substack{p是质数\\p\leq n}}\ \sum\limits_{d=1}^{\left\lfloor\frac np\right\rfloor}\mu(d)\left\lfloor\dfrac n{dp}\right\rfloor\left\lfloor\dfrac m{dp}\right\rfloor\end{align*}$$

“$p$是质数”这个限制条件很烦人,我们要把它放到内层的sigma里,令$k=dp$,注意到原来内层对$d$的限制是$d\leq\left\lfloor\dfrac np\right\rfloor$,即$k\leq n$,所以我们可以把它改写为$\sum\limits_{k=1}^n\sum\limits_{\substack{p是质数\\p|k}}\mu\left(\dfrac kp\right)\left\lfloor\dfrac nk\right\rfloor\left\lfloor\dfrac mk\right\rfloor$

看到下取整我们就知道它可以快速求和了,问题在于中间那个$\sum\limits_{\substack{p是质数\\p|k}}\mu\left(\dfrac kp\right)$,显然我们是要预处理它的

用比较暴力的方式就可以了,即枚举$p$和它的所有倍数,因为一个数$\leq n$的倍数数量是均摊$O(\ln n)$的($\sum\limits_{i=2}^n\left\lfloor\dfrac ni\right\rfloor\lt n\int_1^n\dfrac 1xdx=n\ln n-n$),而且$\pi(x)=\Theta\left(\dfrac x{\ln x}\right)$(更准确地说,$\left(\dfrac{\ln2}3\right)\dfrac x{\ln x}\lt\pi(x)\lt(6\ln2)\dfrac x{\ln x}$,证明可参考《初等数论》中“$\pi(x)$的上、下界估计”),所以枚举所有$\leq n$的质数的倍数是均摊$O(n)$的,这种看似暴力的做法其实并不会超时

于是就做完了,学到一个套路:出现$[x=1]$这种东西的时候可以把它转化为莫比乌斯函数看是否能简化计算

#include<stdio.h>
#define T 10000000
#define ll long long
int mu[10000010],pr[10000010],f[10000010];
bool np[10000010];
void sieve(){
	int i,j,m=0;
	np[1]=1;
	mu[1]=1;
	for(i=2;i<=T;i++){
		if(!np[i]){
			m++;
			pr[m]=i;
			mu[i]=-1;
		}
		for(j=1;j<=m;j++){
			if(pr[j]*(ll)i>T)break;
			np[i*pr[j]]=1;
			if(i%pr[j]==0)break;
			mu[i*pr[j]]=-mu[i];
		}
	}
	for(i=1;i<=m;i++){
		for(j=1;pr[i]*(ll)j<=T;j++)f[j*pr[i]]+=mu[j];
	}
	for(i=2;i<=T;i++)f[i]+=f[i-1];
}
void swap(int&a,int&b){a^=b^=a^=b;}
int min(int a,int b){return a<b?a:b;}
ll mob(int n,int m){
	int i,las;
	ll s=0;
	if(n>m)swap(n,m);
	for(i=1;i<=n;i=las+1){
		las=min(n/(n/i),m/(m/i));
		s+=(f[las]-f[i-1])*(ll)(n/i)*(ll)(m/i);
	}
	return s;
}
int main(){
	int t,n,m;
	sieve();
	scanf("%d",&t);
	while(t--){
		scanf("%d%d",&n,&m);
		printf("%lld\n",mob(n,m));
	}
}

转载于:https://www.cnblogs.com/jefflyy/p/8490312.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