Leetcode 18. 4Sum

本文详细介绍了如何解决LeetCode上的四数之和问题,并提供了两种解决方案:暴力法和优化后的排序结合双指针法。通过这两种方法,读者可以更好地理解解决此类问题的基本思路和技术细节。

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

文章作者:Tyan
博客:noahsnail.com  |  优快云  |  简书

1. Description

4Sum

2. Solutions

  • Brute Force
class Solution {
public:
    vector<vector<int>> fourSum(vector<int>& nums, int target) {
        int length = nums.size();
        vector<vector<int>> result;
        sort(nums.begin(), nums.end());
        for(int i = 0; i < length - 3; i++) {
            if(i != 0 && nums[i] == nums[i - 1]) {
                continue;
            }
            for(int j = i + 1; j < length - 2; j++) {
                if(nums[j] == nums[j - 1] && j != i + 1) {
                    continue;
                }
                for(int k = j + 1; k < length - 1; k++) {
                    if(nums[k] == nums[k - 1] && k != j + 1) {
                        continue;
                    }
                    for(int l = k + 1; l < length; l++) {
                        if(nums[l] == nums[l - 1] && l != k + 1) {
                            continue;
                        }
                        int sum = nums[i] + nums[j] + nums[k] + nums[l];
                        if(sum == target) {
                            vector<int> temp;
                            temp.push_back(nums[i]);
                            temp.push_back(nums[j]);
                            temp.push_back(nums[k]);
                            temp.push_back(nums[l]);
                            result.push_back(temp);
                        }
                    }
                }
            }
        }
        return result;
    }
};
  • sort and O(n^3)
class Solution {
public:
    vector<vector<int>> fourSum(vector<int>& nums, int target) {
        int length = nums.size();
        vector<vector<int>> result;
        sort(nums.begin(), nums.end());
        int sum = 0;
        int newTarget = 0;
        int left = 0;
        int right = 0;
        for(int i = 0; i < length - 3; i++) {
            if(i != 0 && nums[i] == nums[i - 1]) {
                continue;
            }
            for(int j = i + 1; j < length - 2; j++) {
                if(nums[j] == nums[j - 1] && j != i + 1) {
                    continue;
                }
                newTarget = target - nums[i] - nums[j];
                left = j + 1;
                right = length - 1;
                while(left < right) {
                    if(left != j + 1 && nums[left] == nums[left - 1]) {
                        left++;
                        continue;
                    }
                    if(right < length - 2 && nums[right] == nums[right + 1]) {
                        right--;
                        continue;
                    }
                    sum = nums[left] + nums[right];
                    if(sum == newTarget) {
                        vector<int> temp;
                        temp.push_back(nums[i]);
                        temp.push_back(nums[j]);
                        temp.push_back(nums[left]);
                        temp.push_back(nums[right]);
                        result.push_back(temp);
                        left++;
                        right--;
                    }
                    else if(sum < newTarget) {
                        left++;
                    }
                    else {
                        right--;
                    }
                }

            }
        }
        return result;
    }
};

Reference

  1. https://leetcode.com/problems/4sum/description/
资源下载链接为: https://pan.quark.cn/s/140386800631 通用大模型文本分类实践的基本原理是,借助大模型自身较强的理解和推理能力,在使用时需在prompt中明确分类任务目标,并详细解释每个类目概念,尤其要突出类目间的差别。 结合in-context learning思想,有效的prompt应包含分类任务介绍及细节、类目概念解释、每个类目对应的例子和待分类文本。但实际应用中,类目和样本较多易导致prompt过长,影响大模型推理效果,因此可先通过向量检索缩小范围,再由大模型做最终决策。 具体方案为:离线时提前配置好每个类目的概念及对应样本;在线时先对给定query进行向量召回,再将召回结果交给大模型决策。 该方法不更新任何模型参数,直接使用开源模型参数。其架构参考GPT-RE并结合相关实践改写,加入上下文学习以提高准确度,还使用BGE作为向量模型,K-BERT提取文本关键词,拼接召回的相似例子作为上下文输入大模型。 代码实现上,大模型用Qwen2-7B-Instruct,Embedding采用bge-base-zh-v1.5,向量库选择milvus。分类主函数的作用是在向量库中召回相似案例,拼接prompt后输入大模型。 结果方面,使用ICL时accuracy达0.94,比bert文本分类的0.98低0.04,错误类别6个,处理时添加“家居”类别,影响不大;不使用ICL时accuracy为0.88,错误58项,可能与未修改prompt有关。 优点是无需训练即可有较好结果,例子优质、类目界限清晰时效果更佳,适合围绕通用大模型api打造工具;缺点是上限不高,仅针对一个分类任务部署大模型不划算,推理速度慢,icl的token使用多,用收费api会有额外开销。 后续可优化的点是利用key-bert提取的关键词,因为核心词语有时比语意更重要。 参考资料包括
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