Problema
Después de que una neurona suma sus entradas ponderadas, una función de activación decide su salida. Sin ella, una red neuronal solo podría aprender líneas rectas.
Implementa activate(name, values) y aplica la función indicada a cada valor:
| name | fórmula |
|---|---|
"sigmoid" | 1 / (1 + e^(-x)) |
"relu" | max(0, x) |
"leaky_relu" | x si x > 0, si no 0.01 × x |
"tanh" | (e^x - e^(-x)) / (e^x + e^(-x)) |
Entrada
name: Uno de "sigmoid", "relu", "leaky_relu" o "tanh".
values: Una lista de números.
Salida
Devuelve una lista con la activación aplicada a cada valor, en el mismo orden.
Restricciones
1 ≤ longitud de values ≤ 1000
-50 ≤ cada valor ≤ 50
Ejemplos
Entrada:
name = "sigmoid"
values = [0.0, 2.0, -2.0]
Salida esperada:
expected = [0.5, 0.880797, 0.119203]Entrada:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0, -2.0};
Salida esperada:
std::vector<double> expected = {0.5, 0.880797, 0.119203};Entrada:
string name = "sigmoid";
double[] values = new double[] {0.0, 2.0, -2.0};
Salida esperada:
double[] expected = new double[] {0.5, 0.880797, 0.119203};Explicación
sigmoid(0) = 1 / (1 + 1) = 0.5, sigmoid(2) ≈ 0.880797 y sigmoid(-2) ≈ 0.119203. La sigmoide comprime cualquier número en el rango de 0 a 1.
Entrada:
name = "relu"
values = [-1.5, 0.0, 3.0]
Salida esperada:
expected = [0.0, 0.0, 3.0]Entrada:
std::string name = "relu";
std::vector<double> values = {-1.5, 0.0, 3.0};
Salida esperada:
std::vector<double> expected = {0.0, 0.0, 3.0};Entrada:
string name = "relu";
double[] values = new double[] {-1.5, 0.0, 3.0};
Salida esperada:
double[] expected = new double[] {0.0, 0.0, 3.0};Explicación
ReLU conserva los valores positivos y convierte los negativos en 0: [0, 0, 3].
Referencias
Este reto está adaptado para CodeUtility. Sigue el enunciado y las restricciones indicadas arriba.