数论--因子和线性筛模板

• 网络加深

表现为在卷积神经网络的网络结构方面，在网络结构上增加卷积激活层，使得网络结构越变越深，深层次的网络在训练学习的过程中所考虑的因素就会更多，理论上会更加准确，但是网络的深度要与实际问题相关，在实践中折衷选取，过深过浅都不利于问题的解决。

增强卷积模块功能

表现为在一个卷积块中对特征提取的方式做出改变（也即变更传统卷积层的结构以获取更多的滤波作用），一般处于对feature map的尺度以及优化计算量的考量。

从分类的目标到检测的目标

同样利用CNN，但是设计网络的目标从分类的任务变更为了检测任务，检测任务不仅需要对图片中的区域进行特征提取、对结果进行分类，还要通过相关性的信息将目标框框出。

增加新的功能单元

丰富网络处理某一层输入或者输出的功能，此处的功能单元指传统卷积(Conv)、激活以及全连接、分类器之外的新增功能模块，例如LSTM增加的遗忘门，能够考虑历史数据，增加神经网络的功能。

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
#define N 500022
int prime[N],cnt;
bool vis[N];
int num[N],e[N];
void init()
{
    for(int i=2;i<=N;++i)
    {
        if(!vis[i])
        {
            prime[++cnt]=i;
            num[i]=i+1;
            e[i]=1;
        }
        for(int j=1;j<=cnt;++j)
        {
            if(prime[j]*i>N) break;
            vis[prime[j]*i]=true;
            if(i%prime[j]==0)
            {
                num[i*prime[j]]=num[i]*prime[j]+e[i];
                e[i*prime[j]]=e[i];
                break;
            }
            num[i*prime[j]]=num[i]*(prime[j]+1);
            e[i*prime[j]]=num[i];
        }
    }
} 
int main()
{
     int T;
     init();
    scanf("%d",&T);
    while(T--)
    {
        int n;
        scanf("%d",&n);
        printf("%lld\n",num[n]);
    } 
}