Problema
Una capa densa es un grupo de neuronas que reciben todas las mismas entradas. La neurona j tiene sus propios pesos weights[j] y su propio sesgo biases[j]:
z_j = inputs · weights[j] + biases[j]
Después se aplica la activación de la capa a cada z_j:
"linear": devolver z_j sin cambios"relu": max(0, z_j)"sigmoid": 1 / (1 + e^(-z_j))
Implementa dense_forward(inputs, weights, biases, activation).
Entrada
inputs: Los n valores de entrada.
weights: Una fila por neurona; cada fila tiene n pesos.
biases: Un sesgo por neurona.
activation: "linear", "relu" o "sigmoid".
Salida
Devuelve la lista de salidas, una por neurona, en orden.
Restricciones
1 ≤ n ≤ 100, 1 ≤ número de neuronas ≤ 100
-10 ≤ cada valor ≤ 10
Ejemplos
Entrada:
biases = [0.0, -1.0]
inputs = [1.0, 2.0]
weights = [
[0.5, -1.0],
[1.5, 0.5]
]
activation = "relu"
Salida esperada:
expected = [0.0, 1.5]Entrada:
std::vector<double> biases = {0.0, -1.0};
std::vector<double> inputs = {1.0, 2.0};
std::vector<std::vector<double>> weights = {
{0.5, -1.0},
{1.5, 0.5}
};
std::string activation = "relu";
Salida esperada:
std::vector<double> expected = {0.0, 1.5};Entrada:
double[] biases = new double[] {0.0, -1.0};
double[] inputs = new double[] {1.0, 2.0};
double[][] weights = new double[][] {
new double[] {0.5, -1.0},
new double[] {1.5, 0.5}
};
string activation = "relu";
Salida esperada:
double[] expected = new double[] {0.0, 1.5};Explicación
Neurona 1: 1×0.5 + 2×(-1) + 0 = -1.5, y ReLU da 0. Neurona 2: 1×1.5 + 2×0.5 - 1 = 1.5, que ReLU conserva. Resultado: [0, 1.5].
Entrada:
biases = [1.0, 0.0, -1.5]
inputs = [3.0]
weights = [
[2.0],
[-1.0],
[0.5]
]
activation = "linear"
Salida esperada:
expected = [7.0, -3.0, 0.0]Entrada:
std::vector<double> biases = {1.0, 0.0, -1.5};
std::vector<double> inputs = {3.0};
std::vector<std::vector<double>> weights = {
{2.0},
{-1.0},
{0.5}
};
std::string activation = "linear";
Salida esperada:
std::vector<double> expected = {7.0, -3.0, 0.0};Entrada:
double[] biases = new double[] {1.0, 0.0, -1.5};
double[] inputs = new double[] {3.0};
double[][] weights = new double[][] {
new double[] {2.0},
new double[] {-1.0},
new double[] {0.5}
};
string activation = "linear";
Salida esperada:
double[] expected = new double[] {7.0, -3.0, 0.0};Explicación
Con una activación lineal, las salidas son simplemente 3×2 + 1 = 7, 3×(-1) + 0 = -3 y 3×0.5 - 1.5 = 0.
Cómo abordarlo
Inténtalo primero por tu cuenta y luego abre las pistas una a una.
Pista 1
Trata cada neurona por separado: cada una tiene su propia fila de pesos y su sesgo.
Pista 2
Calcula el dot product de cada neurona con el vector de entrada, suma su sesgo y luego aplica la activación elegida.
Pista 3
Asegúrate de aplicar la activación después del paso lineal y de conservar el orden de las neuronas en la salida.
Complejidad esperada
tiempo O(mn), espacio extra O(m)
Referencias
Este reto está adaptado para CodeUtility. Sigue el enunciado y las restricciones indicadas arriba.