新闻详情

新闻详情

首页 / 资讯中心 / 详情

DeepSeek LeetCode 113.路径总和 || Python3实现

发布时间:2026/11/17 12:19:47来源:尧图网络
DeepSeek    LeetCode 113.路径总和 || Python3实现
LeetCode 113. 路径总和 II — Python3 实现思路DFS 回溯从根节点深度优先遍历维护· path当前从根到当前节点的路径。· remaintargetSum 减去已走过路径的和。当到达叶子节点且 remain 0 时将 path 的副本加入结果。递归返回前把当前节点从 path 中弹出完成回溯。代码fromtypingimportOptional,List# Definition for a binary tree node.classTreeNode:def__init__(self,val0,leftNone,rightNone):self.valval self.leftleft self.rightrightclassSolution:defpathSum(self,root:Optional[TreeNode],targetSum:int)-List[List[int]]:res[]path[]defdfs(node:Optional[TreeNode],remain:int)-None:ifnotnode:returnpath.append(node.val)remain-node.val# 叶子节点且剩余和为 0ifnotnode.leftandnotnode.rightandremain0:res.append(path.copy())else:dfs(node.left,remain)dfs(node.right,remain)# 回溯path.pop()dfs(root,targetSum)returnres复杂度分析· 时间复杂度最坏 O(n²)。每个节点访问一次为 O(n)但找到合法路径时需复制 path代价为 O(h)链状树最坏 O(n²)平均接近 O(n)。· 空间复杂度O(h)递归栈深度与 path 长度均不超过树高 h结果集不计入。关键点叶子判断必须是 not node.left and not node.right否则非叶子节点可能因 remain 0 被误加。路径副本res.append(path.copy())不能直接 append(path)否则后续回溯会修改同一列表。回溯位置在递归左右子树后统一 path.pop()保证进入和离开节点时状态一致。剪枝本题节点值未限定正负不能根据 remain 0 提前返回。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉