Problem
After a neuron adds up its weighted inputs, an activation function decides its output. Without one, a neural network could only learn straight lines.
Implement activate(name, values) and apply the named function to every value:
| name | formula |
|---|---|
"sigmoid" | 1 / (1 + e^(-x)) |
"relu" | max(0, x) |
"leaky_relu" | x if x > 0, otherwise 0.01 × x |
"tanh" | (e^x - e^(-x)) / (e^x + e^(-x)) |
Input
name: One of "sigmoid", "relu", "leaky_relu" or "tanh".
values: A list of numbers.
Output
Return a list with the activation applied to each value, in the same order.
Einschränkungen
1 ≤ length of values ≤ 1,000
-50 ≤ each value ≤ 50
Beispiele
Beispiel 1
Eingabe:
name = "sigmoid"
values = [0.0, 2.0, -2.0]
Erwartete Ausgabe:
expected = [0.5, 0.880797, 0.119203]Eingabe:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0, -2.0};
Erwartete Ausgabe:
std::vector<double> expected = {0.5, 0.880797, 0.119203};Eingabe:
string name = "sigmoid";
double[] values = new double[] {0.0, 2.0, -2.0};
Erwartete Ausgabe:
double[] expected = new double[] {0.5, 0.880797, 0.119203};Erläuterung
sigmoid(0) = 1 / (1 + 1) = 0.5, sigmoid(2) ≈ 0.880797 and sigmoid(-2) ≈ 0.119203. Sigmoid squeezes any number into the range 0 to 1.
Beispiel 2
Eingabe:
name = "relu"
values = [-1.5, 0.0, 3.0]
Erwartete Ausgabe:
expected = [0.0, 0.0, 3.0]Eingabe:
std::string name = "relu";
std::vector<double> values = {-1.5, 0.0, 3.0};
Erwartete Ausgabe:
std::vector<double> expected = {0.0, 0.0, 3.0};Eingabe:
string name = "relu";
double[] values = new double[] {-1.5, 0.0, 3.0};
Erwartete Ausgabe:
double[] expected = new double[] {0.0, 0.0, 3.0};Erläuterung
ReLU keeps positive values and turns negative values into 0: [0, 0, 3].
Referenzen
Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.