Given two sparse matrices A and B, return the result of AB.
You may assume that A’s column number is equal to B’s row number.
Example:
A = [
[ 1, 0, 0],
[-1, 0, 3]
]
B = [
[ 7, 0, 0 ],
[ 0, 0, 0 ],
[ 0, 0, 1 ]
]
AB=
| 1 0 0 | | 7 0 0 | | 7 0 0 |
| -1 0 3 | * | 0 0 0 | = | -7 0 3 |
| 0 0 1 |
思路:
1. 稀疏矩阵的操作,直接计算肯定会TLE,如何利用元素为0的限制,把限制转换成优势?遇到0,直接skip,不运算!
2. 我们知道数学中矩阵积的每个元素等于< A的i行,B的j列>内积,由于A的i行需要乘以B的所有列,所以对A的每个元素都要进行多次判断是否等于0,即:重复判断!如何实现对A的元素只做一次0判断?
3. 比较:
传统方法 | 本题方法 |
---|---|
矩阵积的每一个元素计算完成 之后才计算下一个元素的值 | 矩阵积每个元素不是计算好了再去计算下一个元素值, 而是部分计算后就可以计算下一个元素。 每个元素都是部分计算,所以需要多个round |
A矩阵中每一个值都要判断多次, 即:判断次数等于B的列数 | A矩阵每个一个值只需要判断一次。 |
4. 计算顺序的交换=减少重复判断。这个可以认真终结,各种技巧和方法的运用,都是为了避免重复运算减少运算量!!!比如,DP或memorization等!
vector<vector<int>> multiply(vector<vector<int>>& A, vector<vector<int>>& B) {
vector<vector<int>> res(A.size(),vector<int>(B[0],0));
for(int i=0;i<A.size();i++){
for(int k=0;k<A[0].size();k++){
if(A[i][k]){
for(int j=0;j<B[0].size();j++){
if(B[k][j])
res[i][j]+=A[i][k]*B[k][j];
}
}
}
}
return res;
}