Problème
Un petit réseau de neurones a une couche cachée et une couche de sortie. Les données les traversent l'une après l'autre :
- Couche cachée : h_j = ReLU(inputs · hidden_weights[j] + hidden_biases[j]), où ReLU(z) = max(0, z)
- Couche de sortie : y_k = sigmoid(h · output_weights[k] + output_biases[k]), où sigmoid(z) = 1 / (1 + e^(-z))
Implémentez forward_pass(inputs, hidden_weights, hidden_biases, output_weights, output_biases).
Entrée
inputs : les n valeurs d'entrée.
hidden_weights, hidden_biases : la couche cachée, une ligne et un biais par neurone caché.
output_weights, output_biases : la couche de sortie, une ligne et un biais par sortie ; chaque ligne a un poids par neurone caché.
Sortie
Renvoyez la liste des sorties y du réseau.
Contraintes
1 ≤ entrées, neurones cachés, sorties ≤ 50
-10 ≤ chaque valeur ≤ 10
Exemples
Entrée :
inputs = [1.0, 0.5]
hidden_biases = [0.0, 0.5]
output_biases = [0.0]
hidden_weights = [
[1.0, -2.0],
[0.5, 1.0]
]
output_weights = [
[1.0, -1.0]
]
Sortie attendue :
expected = [0.182426]Entrée :
std::vector<double> inputs = {1.0, 0.5};
std::vector<double> hidden_biases = {0.0, 0.5};
std::vector<double> output_biases = {0.0};
std::vector<std::vector<double>> hidden_weights = {
{1.0, -2.0},
{0.5, 1.0}
};
std::vector<std::vector<double>> output_weights = {
{1.0, -1.0}
};
Sortie attendue :
std::vector<double> expected = {0.182426};Entrée :
double[] inputs = new double[] {1.0, 0.5};
double[] hidden_biases = new double[] {0.0, 0.5};
double[] output_biases = new double[] {0.0};
double[][] hidden_weights = new double[][] {
new double[] {1.0, -2.0},
new double[] {0.5, 1.0}
};
double[][] output_weights = new double[][] {
new double[] {1.0, -1.0}
};
Sortie attendue :
double[] expected = new double[] {0.182426};Explication
Couche cachée : ReLU(1×1 + 0.5×(-2) + 0) = ReLU(0) = 0 et ReLU(1×0.5 + 0.5×1 + 0.5) = 1.5. Sortie : sigmoid(0×1 + 1.5×(-1) + 0) = sigmoid(-1.5) ≈ 0.182426.
Entrée :
inputs = [2.0]
hidden_biases = [0.0, 0.0]
output_biases = [-1.0, 0.0]
hidden_weights = [
[1.0],
[-1.0]
]
output_weights = [
[0.5, 0.5],
[-0.5, 2.0]
]
Sortie attendue :
expected = [0.5, 0.268941]Entrée :
std::vector<double> inputs = {2.0};
std::vector<double> hidden_biases = {0.0, 0.0};
std::vector<double> output_biases = {-1.0, 0.0};
std::vector<std::vector<double>> hidden_weights = {
{1.0},
{-1.0}
};
std::vector<std::vector<double>> output_weights = {
{0.5, 0.5},
{-0.5, 2.0}
};
Sortie attendue :
std::vector<double> expected = {0.5, 0.268941};Entrée :
double[] inputs = new double[] {2.0};
double[] hidden_biases = new double[] {0.0, 0.0};
double[] output_biases = new double[] {-1.0, 0.0};
double[][] hidden_weights = new double[][] {
new double[] {1.0},
new double[] {-1.0}
};
double[][] output_weights = new double[][] {
new double[] {0.5, 0.5},
new double[] {-0.5, 2.0}
};
Sortie attendue :
double[] expected = new double[] {0.5, 0.268941};Explication
Couche cachée : ReLU(2) = 2 et ReLU(-2) = 0. Sortie 1 : sigmoid(2×0.5 + 0 - 1) = sigmoid(0) = 0.5. Sortie 2 : sigmoid(2×(-0.5) + 0) = sigmoid(-1) ≈ 0.268941.
Références
Ce défi a été adapté pour CodeUtility. Suivez l'énoncé et les contraintes ci-dessus.