311. Sparse Matrix Multiplication 稀疏矩阵的乘法

转载 作者：大佬之路 更新时间：2024-01-31 14:20:19 26 4

Input:

A = [
  [ 1, 0, 0],
  [-1, 0, 3]
]

B = [
  [ 7, 0, 0 ],
  [ 0, 0, 0 ],
  [ 0, 0, 1 ]
]

Output:

     |  1 0 0 |   | 7 0 0 |   |  7 0 0 |
AB = | -1 0 3 | x | 0 0 0 | = | -7 0 3 |
                  | 0 0 1 |

class Solution {
public:
    vector<vector<int>> multiply(vector<vector<int>>& A, vector<vector<int>>& B) {
        if (A.empty() || A[0].empty() || B.empty() || B[0].empty()) return vector<vector<int>>();
        int M = A.size();
        int N = B[0].size();
        vector<vector<int>> res(M, vector<int>(N, 0));
        for (int row = 0; row < M; ++row) {
            for (int col = 0; col < N; ++col) {
                int cur = 0;
                for (int i = 0; i < A[0].size(); ++i) {
                    cur += A[row][i] * B[i][col];
                }
                res[row][col] = cur;
            }
        }
        return res;
    }
};

import numpy as np
class Solution(object):
    def multiply(self, A, B):
        """
        :type A: List[List[int]]
        :type B: List[List[int]]
        :rtype: List[List[int]]
        """
        a = np.array(A)
        b = np.array(B)
        return np.matmul(a, b)

26 4 0

• scipy - scipy.sparse.linalg.lsmr和scipy.sparse.linalg.lsqr之间的区别

  有人知道什么时候最好选择哪个吗？在我看来，它们是一样的... lsmr lsqr 最佳答案 两种软件包的功能相同。 LSMR基于2010年的Fong＆Saunders算法(请参阅paper)，并且最近

• python - SciPy.sparse 迭代求解器 : No sparse right hand side support?

  似乎 scipy.sparse.linalg 的迭代求解器不支持 scipy.sparse 的稀疏矩阵数据类型作为方程系统的右侧(而直接求解器会)。考虑以下简短示例: import numpy as

• python - pd.get_dummies 数据帧在 Sparse = True 时与 Sparse = False 时大小相同

  我有一个包含多个字符串列的数据框，我想将其转换为分类数据，以便我可以运行一些模型并从中提取重要特征。 但是，由于唯一值的数量，单热编码数据会扩展到大量列，从而导致性能问题。 为了解决这个问题，我正在试

• rsync --sparse 确实传输整个数据

  我有一些需要每天同步的 VM 镜像。 VM 文件是稀疏的。 为了节省网络流量，我只想传输图像的真实数据。 我在 rsync 中使用 --sparse 选项进行尝试，但在网络流量上，我看到整个大小都通过

• sparse-matrix - Bigtable中稀疏表的稀疏和目的是什么？

  我有一些不明白的信息: Bigtable may be understood a sparse table. Most cells contain nullvalues - too sparse to

• matlab - 我什么时候应该使用 `sparse` ？

  我一直在查看 Matlab 的 sparse documentation试图找出是否有任何指导方针来说明何时使用稀疏表示而不是完整表示是有意义的。 例如，我有一个包含大约 30% 非零条目的矩阵 da

• sparse-matrix - Chapel 循环变量未声明

  当我尝试编译以下程序时，编译器提示 j 和 row 未声明，这让我感到惊讶，因为 Chapel - Ranges defined using bounds of type 'range(int(64)

• sparse-matrix - HDF5 中的稀疏数组支持

  我需要以某种方式在磁盘上存储一个 512^3 阵列，我目前使用的是 HDF5。由于阵列稀疏，因此浪费了大量磁盘空间。 HDF5 是否为稀疏数组提供任何支持？ 最佳答案 一种解决方法是使用 compre

• sparse-matrix - TensorFlow 中是否实现了稀疏张量乘法？

  稀疏张量与自身或密集张量的乘法在 TensorFlow 中似乎不起作用。下面的例子 from __future__ import print_function import tensorflow as

• linux - git sparse-checkout忽略特定的文件类型

  我有一个git存储库，其中有一堆大型csv，我不想克隆，因此我遇到了git sparse-checkout和这篇文章:https://github.blog/2020-01-17-bring-your

• R矩阵包: Demean sparse matrix

  是否有一种简单的方法可以按列贬低稀疏矩阵，同时将零值视为缺失(使用 Matrix 包)？ 我似乎遇到两个问题: 找到合适的列意味着 空单元格被视为零而不是缺失: M0 或者@user20650评论

• sparse-matrix - 使用稀疏数据进行特征缩放/归一化

  我在训练具有稀疏输入数据的神经网络以解决监督回归问题时遇到问题。当我对输入数据执行均值归一化(减去均值再除以标准差)时，我得到了很多NaN值。我想知道是否有人有处理此类问题的经验。缩放稀疏输入数据的正

• sparse-matrix - 特征 - 稀疏矩阵的对角线更新

  在 Eigen 中编辑稀疏矩阵对角线的最快方法是什么？我已经使用三元组填充了它，但我偶尔需要更改所有对角线值(它们已经设置为非零值)。 最佳答案 如果可以接受，您可以简单地使用它们的索引，例如 sp_

• machine-learning - "sparse"在神经网络中意味着什么？

  我看到“稀疏”和“稀疏”的使用方式表明它可以提高模型的准确性。例如: I think the unsupervised phase might be not so important if some

• c++ - MATLAB编码器: sparse matrix

  MATLAB Coder 似乎很花哨，可以通过将代码转换为 C/C++ 或 MEX 来加快 MATLAB 代码的速度。但是它似乎不支持稀疏矩阵，或者 matlab 函数 sparse 这对我的代码至关

• python sparse gmres 混淆了输入参数

  我有一个使用 scipy.sparse.linalg.gmres 求解稀疏线性系统的简单代码 W, S = load_data() M = normalize(W.T.astype('float64

• python - Keras "sparse"张量上张量分配的最佳方法

  我正在尝试创建一个大小为 n 的多维数组(其中 n 是符号形状张量的一部分)。该数组在每个区域中都应有 0，但很少有区域是变量 b_class。 这是一个简单的 Numpy 实现，但在这种情况下，我们

• java - StandardOpenOption.SPARSE 有什么用？

  Java 7 defines this option ，但我不明白它的用处。考虑这个简单的程序，它在一台足够新的 Linux 机器上运行，带有 Java 6 JVM: public static vo

• python - scipy.sparse 矩阵的点例程产生错误

  我有一个 CSR matrix : >> print type(tfidf) 我想对 CSR matrix 的两行进行点积: >> v1 = tfidf.getrow(1) >> v2 = tfid

• python - scipy.sparse 矩阵的索引操作向量化

  尽管一切似乎都已矢量化，但以下代码运行速度太慢。 from numpy import * from scipy.sparse import * n = 100000; i = xrange(n); j