【Leetcode】43.字符串相乘

题目描述:

给定两个以字符串形式表示的非负整数 num1 和 num2,返回 num1 和 num2 的乘积,它们的乘积也表示为字符串形式。

示例 1:

输入: num1 = "2", num2 = "3"
输出: "6"

示例 2:

输入: num1 = "123", num2 = "456"
输出: "56088"

说明:

  1. num1 和 num2 的长度小于110。
  2. num1 和 num2 只包含数字 0-9
  3. num1 和 num2 均不以零开头,除非是数字 0 本身。
  4. 不能使用任何标准库的大数类型(比如 BigInteger)或直接将输入转换为整数来处理。

解题思路:

本来打算按位相乘然后相加的方式计算的,但是看到了一篇博客,感觉这个方法比较简洁,就套用一下了。

计算步骤: 
123 *456 

A[0]=3*6=18
A[1] =2*6+3*5=27 
A[2] =2*5+3*4+6*1=28 
A[3]=1*5+4*2=13
A[4]=1*4=4
A[5]=A[6]=…=0 

A[0]=8    A[1]=27+1=28 
A[1]=8    A[2]=28+2=30 
A[2]=0    A[3]=13+3=16 
A[3]=6    A[4]=4+1=5 
A[4]=5    A[5]=A[6]=…=0 

—>A[4]A[3]A[2]A[1]A[0]=56088

AC代码:

class Solution {
public:
string multiply(string num1, string num2) 
{
	int A[300] = {}, high;
	for (int i = 0; i < num1.size(); ++i)
		for (int j = 0; j < num2.size(); ++j)
			A[num1.size() + num2.size() - i - j - 2] += (num1[i] - '0')*(num2[j] - '0');
	string ans;
	for (int i = 0; i < 250; ++i) 
	{
		A[i + 1] += A[i] / 10, A[i] %= 10;
		if (A[i]) high = i;
	}
	for (int i = high; i >= 0; --i)
		ans += (A[i] + '0');
	if (ans.empty()) ans = "0";
	return ans;
}
//https://blog.csdn.net/Bendaai/article/details/80117872
};

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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