Lintcode 721 · 下一个稀疏数 go

/**
721 · 下一个稀疏数
算法
Hard
Accepted Rate
38%

DescriptionSolutionNotesDiscussLeaderboard
Description
一个数是稀疏数如果这个数的 二进制表示 中没有相邻的 1,给出一个 n ,找出大于或等于 n 的最小的稀疏数。
eg. 5 (二进制表示为 101)是稀疏数,但是 6 (二进制表示为 110 )不是稀疏数

Example
样例 1:

输入:6
输出:8
解释:
6 = 110(2) 并且 8 = 1000(2)
样例 2:

输入:13
输出:16
解释:
13 = 1101(2) 并且 16 = 10000(2)

https://blog.csdn.net/zhaohengchuan/article/details/78960969

https://www.lintcode.com/problem/721/
*/

package main

/**
 * @param x: a number
 * @return: return the next sparse number behind x
 */
func nextSparseNum (x int) int {
	// write your code here
	var vec []int
	for {
		if x == 0 {
			break
		}
		vec = append(vec, x & 1)
		x >>= 1
	}
	vec = append(vec, 0)
	var n = len(vec)
	var pos int = 0
	for i := 0; i < n - 1; i++ {
		if vec[i] == 1 && vec[i - 1] == 1 && vec[i + 1] != 1 {
			vec[i + 1] = 1
			for j := i; j >= pos; j-- {
				vec[j] = 0
			}
			pos = i + 1
		}
	}
	var res int = 0
	for i := 0; i < n; i++ {
		res += vec[i] * (1 << uint(i))
	}
	return res
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
在CUDA中,稀疏矩阵和稠密矩阵相乘是一个非常常见的操作。稀疏矩阵是指矩阵中大部分元素为零,而稠密矩阵则是指矩阵中大部分元素都非零。 在处理稀疏矩阵和稠密矩阵相乘时,通常需要进行以下几个步骤: 1. 稠密矩阵据传输:将稠密矩阵据从主机内存传输到GPU设备的全局内存中,以便后续在GPU上进行计算。 2. 稀疏矩阵据结构转换:将稀疏矩阵由传统的行压缩存储(CSR)或列压缩存储(CSC)格式转换为适合在GPU上处理的稀疏格式,例如ELL格式(ELLPACK/ITPACK)或使用了线程合并和合并访问的CSR格式(CSR-TC)。 3. 稀疏矩阵和稠密矩阵相乘的计算:通过使用CUDA的并行计算特性,在GPU上进行稀疏矩阵和稠密矩阵的并发计算,以提高计算效率。在此过程中,我们通常会使用CUDA的线程、块和网格来处理据并进行并行计算。 4. 结果据传输:将计算得到的结果从GPU全局内存中传输回主机内存,以供后续的据处理或输出。 需要注意的是,稀疏矩阵和稠密矩阵相乘的计算方法可能因具体情况而异,选择适合的算法和据结构能够提高计算性能。此外,在实际应用中,还可以采用一些优化技术,如共享内存的使用、存储器访问模式的优化等,以进一步提高计算效率。 通过使用CUDA并行计算的能力,我们可以有效地进行稀疏矩阵和稠密矩阵的相乘操作,从而提高计算效率,并在处理大规模据时节省时间和资源。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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