18. 4Sum

本文深入探讨了四数之和问题的高效解决方案,通过引入最大最小值剪枝策略,将算法运行时间从24MS优化至7MS。文章详细介绍了如何利用循环和排序进行优化,并提供了完整的代码实现。
18. 4Sum

其实就是三数之和就多个循环,本来跑起来24MS
看了大神的题解,根据最大最小值剪枝,最后7MS

class Solution {
    public List<List<Integer>> fourSum(int[] nums, int target) {

    List<List<Integer>> res=new ArrayList<>();
    if(nums==null||nums.length<4){
            return res;
    }
    Arrays.sort(nums);
    System.out.println(Arrays.toString(nums));
    for(int i=0;i<nums.length-3;i++){
      if(i>0&&nums[i]==nums[i-1]){
        continue;
      }
      //如果最大值还没目标大,则continue 让i变大
      int max=nums[i]+nums[nums.length-1]+nums[nums.length-2]+nums[nums.length-3];
      if(max<target)
        continue;
      //如果最小值比目标还大,就没必要继续了
      int min=nums[i]+nums[i+1]+nums[i+2]+nums[i+3];
      if(min>target)
        break;
      int t=target-nums[i];
      for(int j=i+1;j<nums.length-2;j++){
        if(j>i+1&&nums[j]==nums[j-1]){
          continue;
        }
        int left=j+1,right=nums.length-1;
        //同上最大值
        int max1=nums[i]+nums[j]+nums[right-1]+nums[right];
        if(max1<target){
            continue;
        }
        //同上最小值
        int min1=nums[i]+nums[j]+nums[j+1]+nums[j+2];
        if(min1>target){
            break;
        }
        while(left<right){
          if(nums[left]+nums[right]+nums[j]==t){
            List<Integer> temp=new ArrayList<>();
            temp.add(nums[i]);
            temp.add(nums[j]);
            temp.add(nums[left]);
            temp.add(nums[right]);
            res.add(temp);
            while(left<right&&nums[left]==nums[left+1]){
              left++;
            }
            left++;
            while(left<right&&nums[right]==nums[right-1]){
              right--;
            }
            right--;
          }
          else if(nums[left]+nums[right]+nums[j]<t){
            left++;
          }else{
            right--;
          }
        }
      }
    }
    return res;
  }
}
### 正确使用 `torch.sum` 函数 #### 输入参数说明 `torch.sum` 接受多个输入参数来控制求和操作的行为: - **input**: 需要进行求和运算的张量。 - **dim (可选)**: 指定沿哪个维度执行求和。如果未指定,则会对整个张量中的所有元素求和[^2]。 - **keepdim (默认 False)**: 如果设置为 True,在输出中保留被缩减的维度,其大小变为1;否则该维度会被压缩掉。 - **dtype (可选)**: 可以用来指定期望返回张量的数据类型。 #### 使用实例展示 下面通过具体的例子来理解这些参数的作用: 假设有一个形状为 `(3, 4)` 的二维张量 `x`: ```python import torch x = torch.tensor([[0, 1, 2, 3], [4, 5, 6, 7], [8, 9, 10, 11]]) print(f"x:\n{x}") ``` ##### 对整张表求和 当不提供任何额外参数时,默认会计算整个张量内所有数值之和: ```python total_sum = torch.sum(x) print(total_sum) # 输出 tensor(66) ``` 这相当于将矩阵展平成一维向量后再做累加处理[^1]。 ##### 沿特定轴方向求和 可以沿着某个具体的方向来进行累积相加的操作。比如想要获得每一列上的总和(即按行求和),则应设定 `dim=0`; 若要获取每行内的合计数(即按列求和),就设 `dim=1`. ```python column_sums = torch.sum(x, dim=0) row_sums = torch.sum(x, dim=1) print(column_sums) # 结果类似于 tensor([12, 15, 18, 21]) print(row_sums) # 结果类似于 tensor([ 6, 22, 38]) ``` 这里分别展示了两种不同方式下的部分结果[^4]。 ##### 维度保持选项 (`keepdim=True`) 有时为了后续进一步加工数据结构不变形的需求,可以在调用此方法的同时加入 `keepdim=True`, 这样即使进行了降维聚合之后仍然能维持原有数组的空间布局特性。 ```python sum_with_keepdim = torch.sum(x, dim=1, keepdim=True) print(sum_with_keepdim.shape) # 形状将是 torch.Size([3, 1]), 而不是简单的长度为3的一维tensor ``` 这样做的好处是在某些情况下便于与其他相同尺寸的数据集组合起来继续下一步骤的工作流程.
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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