5519. Rearrange Spaces Between Words

本文介绍了一个字符串重排算法,该算法能确保输入的句子中所有单词间的空格数量相等,并将多余的空格放置在句子末尾。通过Python实现,利用字符串处理的优势,解决了LeetCode中的相关问题。

给一段句子,每个单词间空格有1*个,要求重排列让每个单词之间space数相同,且尽可能多。多余的放在尾巴上。

 

基本edge case都被题目排除了,没有什么难点。唯一留下的edge case 是只有一个单词的case

这道题把python比c++的字符串处理优势发挥的很好。 count split join 都是c++的痛

 

class Solution(object):
    def reorderSpaces(self, text):
        """
        :type text: str
        :rtype: str
        """
        cnt = text.count(' ')
        words = [w for w in text.split() if len(w)!=0]
        if (len(words)==1): # edge case
            return words[0]+' '*cnt
        d = cnt//(len(words)-1)
        left = cnt-d*(len(words)-1)
        return (' '*d).join(words)+' '*left

感觉csdn写lc查找不如evernote方便,还是改在en上写吧= =||| 这里留着读书源码工程笔记用

### 使用 Einops 的 `Rearrange` 和 `Reduce` 层 Einops 提供了一种简洁而强大的方式来处理张量的操作,特别是在 PyTorch 项目中。通过使用 `einops.layers.torch.Rearrange` 和 `einops.layers.torch.Reduce` 类,可以在神经网络模型定义阶段轻松实现复杂的维度变换。 #### 导入必要的模块 为了在 PyTorch 中使用这些层,首先需要导入相应的类: ```python from einops.layers.torch import Rearrange, Reduce import torch.nn as nn ``` #### 创建自定义层 下面展示了一个简单的例子,说明如何创建包含 `Rearrange` 和 `Reduce` 层的自定义 PyTorch 模型组件: ##### 使用 `Rearrange` 进行维度重排 当希望改变输入数据的形状而不丢失任何信息时,可以利用 `Rearrange` 来完成这一任务。例如,在图像分类任务中,可能想要将通道数放在最后一位以便后续处理: ```python class ImagePreprocessor(nn.Module): def __init__(self): super().__init__() self.rearrange_layer = Rearrange('b c h w -> b h w c') def forward(self, x): return self.rearrange_layer(x) ``` 此代码片段展示了如何构建一个预处理器模块,它接收批量大小为 `b`、通道数量为 `c`、高度为 `h` 及宽度为 `w` 的四维张量作为输入,并将其转换成 `(batch_size, height, width, channels)` 形式的输出[^1]。 ##### 应用 `Reduce` 实现降维操作 如果目标是从给定的空间位置聚合特征,则可采用 `Reduce` 函数来进行求和或其他类型的规约运算。比如计算全局平均池化: ```python class GlobalAveragePooling(nn.Module): def __init__(self): super().__init__() self.reduce_layer = Reduce('b c h w -> b c', reduction='mean') def forward(self, x): return self.reduce_layer(x) ``` 这里定义了一个名为 `GlobalAveragePooling` 的新类,该类接受相同结构的数据并返回经过均值汇聚后的二维向量形式的结果[^4]。 #### 组合多个操作 当然也可以在一个单独的层内组合多种不同的变换模式。考虑这样一个场景——先调整尺寸顺序再展平某些特定轴上的元素: ```python class FlattenAndReshape(nn.Module): def __init__(self): super().__init__() self.complex_operation = nn.Sequential( Rearrange('b c (h p1) (w p2) -> b (p1 p2) (h w c)', p1=7, p2=7), Reduce('b n d -> b n', 'max') ) def forward(self, x): return self.complex_operation(x) ``` 上述实例中,先是按照指定的方式重新排列了原始张量中的像素块(`p1`, `p2`),之后又沿第二个维度应用最大值选取以减少最终输出的复杂度[^3]。
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