Ein einzelnes künstliches Neuron

Ein künstliches Neuron multipliziert jede Eingabe mit einem Gewicht, addiert einen Bias und leitet das Ergebnis durch eine Aktivierungsfunktion:

z = x₁×w₁ + x₂×w₂ + … + xₙ×wₙ + bias

Ausgabe = sigmoid(z) = 1 / (1 + e^(-z))

Implementiere neuron_output(inputs, weights, bias).

Eingabe

inputs: Die Eingabewerte.

weights: Ein Gewicht pro Eingabe (gleiche Länge wie inputs).

bias: Der Bias des Neurons.

Ausgabe

Gib die Ausgabe des Neurons zurück, eine Dezimalzahl zwischen 0 und 1.

Einschränkungen

1 ≤ Länge von inputs = Länge von weights ≤ 100

-10 ≤ jede Eingabe, jedes Gewicht und der Bias ≤ 10

Beispiele

Eingabe:
bias = 0.5
inputs = [1.0, 2.0, 3.0]
weights = [0.2, 0.4, 0.6]

Erwartete Ausgabe:
expected = 0.964429

Eingabe:
double bias = 0.5;
std::vector<double> inputs = {1.0, 2.0, 3.0};
std::vector<double> weights = {0.2, 0.4, 0.6};

Erwartete Ausgabe:
double expected = 0.964429;

Eingabe:
double bias = 0.5;
double[] inputs = new double[] {1.0, 2.0, 3.0};
double[] weights = new double[] {0.2, 0.4, 0.6};

Erwartete Ausgabe:
double expected = 0.964429;

Eingabe:
bias = 0.0
inputs = [0.5, -1.0]
weights = [2.0, 1.0]

Erwartete Ausgabe:
expected = 0.5

Eingabe:
double bias = 0.0;
std::vector<double> inputs = {0.5, -1.0};
std::vector<double> weights = {2.0, 1.0};

Erwartete Ausgabe:
double expected = 0.5;

Eingabe:
double bias = 0.0;
double[] inputs = new double[] {0.5, -1.0};
double[] weights = new double[] {2.0, 1.0};

Erwartete Ausgabe:
double expected = 0.5;

Referenzen

Diese Aufgabe wurde für CodeUtility angepasst. Beachte die oben genannten Vorgaben und Einschränkungen.

• Michael Nielsen, Neural Networks and Deep Learning
• Stanford CS231n, Neural Networks Part 1