Problema
La retropropagación multiplica los gradientes por la derivada de cada función de activación. Implementa activation_derivative(name, values) y devuelve la derivada en cada valor:
| name | Derivada |
|---|---|
"sigmoid" | s × (1 - s), donde s = 1 / (1 + e^(-x)) |
"relu" | 1 si x > 0, si no 0 |
"leaky_relu" | 1 si x > 0, si no 0.01 |
"tanh" | 1 - tanh(x)² |
Entrada
name: Uno de "sigmoid", "relu", "leaky_relu" o "tanh".
values: Las entradas x de la activación.
Salida
Devuelve la derivada en cada valor, en el mismo orden.
Restricciones
1 ≤ longitud ≤ 1.000
-50 ≤ cada valor ≤ 50
Ejemplos
Ejemplo 1
Entrada:
name = "sigmoid"
values = [0.0, 2.0]
Salida esperada:
expected = [0.25, 0.104994]Entrada:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0};
Salida esperada:
std::vector<double> expected = {0.25, 0.104994};Entrada:
string name = "sigmoid";
double[] values = new double[] {0.0, 2.0};
Salida esperada:
double[] expected = new double[] {0.25, 0.104994};Explicación
En 0, s = 0.5 y la pendiente es 0.5 × 0.5 = 0.25, el punto más empinado de la sigmoide. En 2, s ≈ 0.880797 y la pendiente es aproximadamente 0.104994.
Ejemplo 2
Entrada:
name = "relu"
values = [-3.0, 0.0, 4.5]
Salida esperada:
expected = [0.0, 0.0, 1.0]Entrada:
std::string name = "relu";
std::vector<double> values = {-3.0, 0.0, 4.5};
Salida esperada:
std::vector<double> expected = {0.0, 0.0, 1.0};Entrada:
string name = "relu";
double[] values = new double[] {-3.0, 0.0, 4.5};
Salida esperada:
double[] expected = new double[] {0.0, 0.0, 1.0};Explicación
ReLU es plana para x ≤ 0 (pendiente 0) y tiene pendiente 1 para x > 0, así que el resultado es [0, 0, 1].
Referencias
Este reto está adaptado para CodeUtility. Sigue el enunciado y las restricciones indicadas arriba.