当前位置：首页 > news >正文

有没有专门做av字幕的网站软件开发工程师

news 2026/4/8 3:36:09

有没有专门做av字幕的网站,软件开发工程师,龙岗网站建设推广,概念网站源码这是我的第一篇学习笔记，如有差错，请海涵... 目录引子（大可跳过） 卷积形式算法流程 OR卷积解析 AND卷积 XOR卷积模板引子首先，看下图数一数，会发现你有一只兔子，现在&#xff…

这是我的第一篇学习笔记，如有差错，请海涵...

引子（大可跳过）

卷积形式

算法流程

OR卷积

解析

AND卷积

XOR卷积

模板

引子

首先，看下图

数一数，会发现你有一只兔子，现在，我再给你一只兔子

再数一数，会发现什么？没错，你有两只兔子，也就是说，1+1=2！

这就是算数的基本原理了，聪明的你懂了吗？

好，我们可以学FWT了..

卷积形式

我们回忆一下多项式乘法的式子：

$C_{i}=\sum_{j,k}A_j*B_k\;(j+k==i)$

这个可以用FFT或NTT优化到O(nlogn)求出每一个Ci，但不是本章的重点，只是引出卷积的概念：

$C_{i}=\sum_{j,k}A_j*B_k\;(f(j,k)==i)$

而FWT主要是解决以下三种卷积形式：

$C_{i}=\sum_{j,k}A_j*B_k\;(j \or\;k==i)$

$C_{i}=\sum_{j,k}A_j*B_k\;(j\and\;k==i)$

$C_{i}=\sum_{j,k}A_j*B_k\;(j\;xor\;k==i)$

算法流程

卷积的算法原理就是把一个数列快速转换成另一种数列，然后每一位元素之间就可以直接单独相乘计算，最后再把答案数列快速转换回来。

FFT体现这个原理的方式就是把多项式转换成点值表达式，然后由于每个点的横坐标相同，纵坐标直接乘起来就得到最终的点值表达式，最后把答案的多项式表达通过点值表达式解出来。

那FWT怎么做呢？

首先就是数列长度的问题，我们知道，多项式乘法最终会得到一个长为lenA+lenB-1的多项式，而考虑位运算的卷积——很容易想出，最终的数列长度一定是 $2^n$ ，n是A、B大小转换为二进制后的数的最大位数。

我们设数列A的转换数列是DWT(A)，转换后的数列A的原数列是IDWT(A)

既然它是位运算，那么我们就按位分治

我们从二进制最高位考虑起，每次把当前位为0或1的元素分开成两个数列，很显然，由于数列长度为 $2^n$ ，直接每次从中间分开就好了，

那么

$DWT(A)=\begin{cases} \{DWT(aA_0+bA_1),DWT(cA_0+dA_1)\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这里的“{ , }”是把两个数列前后拼一起，A+B是把两个数列排头对齐，然后每一位相加。

具体的系数a,b,c,d是怎么样，or , and 和 xor 的情况是不一样的。

OR卷积

因为是按位或，所以当前位为1的对0没有影响，而0的元素都要对1有影响（0可以 | 1变成1，但是1怎么 | 都不会变成0），于是它的DWT就是这样

$DWT(A)=\begin{cases} \{DWT(A_0),DWT(A_0+A_1)\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这样DWT(A)[i]就相当于下标按位或 i 后等于 i 的元素和，转换回去刚好就把当前位为1的减去为0的就行，即

$IDWT(A)=\begin{cases} \{IDWT(A_0),IDWT(A_1)-IDWT(A_0)\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这就是DWT的逆运算形式吧。

ps：巧合的是，这个玩意其实也是快速莫比乌斯变换FMT，两个是一样的，完全没有区别，也就是说DWT(A)[i]其实也是i的所有子集元素和。

举个栗子

$A=\{ a_0,a_1\}$ , $B=\{ b_0,b_1\}$

$\Rightarrow DWT(A)=\{ a_0,a_0+a_1\}\;,\;DWT(B)=\{ b_0,b_0+b_1\}$

$\begin{align*} \Rightarrow DWT(C) &= \{ a_0b_0,(a_0+a_1)(b_0+b_1)\}\\ &= \{ a_0b_0,a_0b_0+a_0b_1+a_1b_0+a_1b_1\}\\ &= \{ a_0b_0,a_0b_0+(a_0b_1+a_1b_0+a_1b_1)\} \end{align*}$

$\Rightarrow C=\{ a_0b_0,a_0b_1+a_1b_0+a_1b_1\}$

解决了！

解析

为什么这样是对的呢？

我们前面说了，DWT(A)[i] 其实也是 i 的所有子集元素和，

那么 DWT(C)[i] = DWT(A)[i] * DWT(B)[i] 就是 A 中 i 的子集元素分别与 B 中 i 的子集元素两两相乘，即

$\begin{align*}DWT(C)[i] &= DWT(A)[i]*DWT(B)[i]\\ &= (\sum_{j\;\subseteq\;i}A[j])*(\sum_{k\;\subseteq\;i}B[k])\\ &= \sum_{j\;or\;k\;\subseteq\;i}A[j]*B[k]\\ &= \sum_{d\;\subseteq\;i}\;\;\;\sum_{j\;or\;k=d}A[j]*B[k]\\ &= \sum_{d\;\subseteq\;i}C[d] \end{align*}$

化简出来即是 C 中 i 的子集元素和

AND卷积

和or很相像

因为是按位与，所以当前位为0的对1没有影响，而1的元素都要对0有影响（1可以&0变成0，但是0怎么&都不会变成1），于是它的DWT就是这样

$DWT(A)=\begin{cases} \{DWT(A_0+A_1),DWT(A_1)\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这样DWT(A)[i]就相当于下标按位与 i 后等于 i 的元素和，转换回去刚好就把当前位为0的减去为1的就行，即

$IDWT(A)=\begin{cases} \{IDWT(A_0)-IDWT(A_1),IDWT(A_1)\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这又刚好是DWT的逆运算了。

再举个栗子

$A=\{ a_0,a_1\}$ , $B=\{ b_0,b_1\}$

$\Rightarrow DWT(A)=\{ a_0+a_1,a_1\}\;,\;DWT(B)=\{ b_0+b_1,b_1\}$

$\begin{align*} \Rightarrow DWT(C) &= \{(a_0+a_1)(b_0+b_1),a_1b_1\}\\ &= \{ a_0b_0+a_0b_1+a_1b_0+a_1b_1,a_1b_1\}\\ &= \{ (a_0b_0+a_0b_1+a_1b_0)+a_1b_1,a_1b_1\} \end{align*}$

$\Rightarrow C=\{ a_0b_0+a_0b_1+a_1b_0,a_1b_1\}$

可以类似 OR 运算的解析，相当于把 OR 的二进制位取反后考虑

XOR卷积

这个就比较特殊了，我们没办法解析，只能领会沃尔什大神的巧智。

我们从栗子里会发现，对于异或，我们最后其实要把 a0b0+a1b1 和 a1b0+a0b1 单独刨出来。~~（这不是废话！）~~

那么在DWT(C)中，a0b0的系数要和a1b1一样，a1b0的系数要和a0b1一样

……

于是它的DWT就是这样！：

$DWT(A)=\begin{cases} \{DWT(A_0+A_1),DWT(A_0-A_1)\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这样DWT(C)就符合条件了，它的IDWT是

$IDWT(A)=\begin{cases} \{\frac{IDWT(A_0)+IDWT(A_1)}{2},\frac{IDWT(A_0)-IDWT(A_1)}{2}\} & (len_A>1)\\ A & (len_A=1) \end{cases}$

这个得看栗子才明白

$A=\{ a_0,a_1\}$ , $B=\{ b_0,b_1\}$

$\Rightarrow DWT(A)=\{ a_0+a_1,a_0-a_1\}\;,\;DWT(B)=\{ b_0+b_1,b_0-b_1\}$

$\begin{align*} \Rightarrow DWT(C) &= \{(a_0+a_1)(b_0+b_1),(a_0-a_1)(b_0-b_1)\}\\ &= \{ a_0b_0+a_0b_1+a_1b_0+a_1b_1,a_0b_0-a_0b_1-a_1b_0+a_1b_1\}\\ &= \{ (a_0b_0+a_1b_1)+(a_1b_0+a_0b_1),(a_0b_0+a_1b_1)-(a_1b_0+a_0b_1)\} \end{align*}$

$\Rightarrow C=\{ a_0b_0+a_1b_1,a_1b_0+a_0b_1\}$

模板

下面是非递归版本的DWT以及IDWT，m为数列长度（ $m=2^n$ ）

//qm(x,y) 表示 x % y , zxy 是模数（zxyyyds!）
inline void DWTOR(int *s,int m) {for(int k = m;k > 1;k >>= 1) {for(int i = 0;i < m;i += k) {for(int j = i+(k>>1);j < i+k;j ++) {int s0 = s[j-(k>>1)],s1 = s[j];s[j] = qm((s0 +0ll+ s1) , zxy);}}}return ;
}
inline void IDWTOR(int *s,int m) {for(int k = 2;k <= m;k <<= 1) {for(int i = 0;i < m;i += k) {for(int j = i+(k>>1);j < i+k;j ++) {int s0 = s[j-(k>>1)],s1 = s[j];s[j] = qm((s1 +0ll+ zxy - s0) , zxy);}}}return ;
}inline void DWTAND(int *s,int m) {for(int k = m;k > 1;k >>= 1) {for(int i = 0;i < m;i += k) {for(int j = i+(k>>1);j < i+k;j ++) {LL s0 = s[j-(k>>1)],s1 = s[j];s[j-(k>>1)] = qm((s0 +0ll+ s1) , zxy);}}}return ;
}
inline void IDWTAND(int *s,int m) {for(int k = 2;k <= m;k <<= 1) {for(int i = 0;i < m;i += k) {for(int j = i+(k>>1);j < i+k;j ++) {int s0 = s[j-(k>>1)],s1 = s[j];s[j-(k>>1)] = qm((s0 +0ll+ zxy - s1) , zxy);}}}return ;
}inline void DWTXOR(int *s,int m) {for(int k = m;k > 1;k >>= 1) {for(int i = 0;i < m;i += k) {for(int j = i+(k>>1);j < i+k;j ++) {int s0 = s[j-(k>>1)],s1 = s[j];s[j] = qm((s0 +0ll+ zxy - s1) , zxy);s[j-(k>>1)] = qm((s0 +0ll+ s1) , zxy);}}}return ;
}
inline void IDWTXOR(int *s,int m) {for(int k = 2;k <= m;k <<= 1) {for(int i = 0;i < m;i += k) {for(int j = i+(k>>1);j < i+k;j ++) {int s0 = s[j-(k>>1)],s1 = s[j];s[j-(k>>1)] = qm((s0 +0ll+ s1) , zxy) *1ll* inv2 % zxy;s[j] = qm((s0 +0ll+ zxy - s1) , zxy) *1ll* inv2 % zxy;}}}return ;
}

~~FWT就到这里了，大家都懂了吧~~