Problema
Dopo che un neurone ha sommato i suoi input pesati, una funzione di attivazione decide il suo output. Senza di essa, una rete neurale potrebbe imparare solo linee rette.
Implementa activate(name, values) e applica la funzione indicata a ogni valore:
| name | formula |
|---|---|
"sigmoid" | 1 / (1 + e^(-x)) |
"relu" | max(0, x) |
"leaky_relu" | x se x > 0, altrimenti 0.01 × x |
"tanh" | (e^x - e^(-x)) / (e^x + e^(-x)) |
Input
name: Uno tra "sigmoid", "relu", "leaky_relu" o "tanh".
values: Una lista di numeri.
Output
Restituisci una lista con l'attivazione applicata a ogni valore, nello stesso ordine.
Vincoli
1 ≤ lunghezza di values ≤ 1.000
-50 ≤ ogni valore ≤ 50
Esempi
Input:
name = "sigmoid"
values = [0.0, 2.0, -2.0]
Output atteso:
expected = [0.5, 0.880797, 0.119203]Input:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0, -2.0};
Output atteso:
std::vector<double> expected = {0.5, 0.880797, 0.119203};Input:
string name = "sigmoid";
double[] values = new double[] {0.0, 2.0, -2.0};
Output atteso:
double[] expected = new double[] {0.5, 0.880797, 0.119203};Spiegazione
sigmoid(0) = 1 / (1 + 1) = 0.5, sigmoid(2) ≈ 0.880797 e sigmoid(-2) ≈ 0.119203. La sigmoide comprime qualsiasi numero nell'intervallo da 0 a 1.
Input:
name = "relu"
values = [-1.5, 0.0, 3.0]
Output atteso:
expected = [0.0, 0.0, 3.0]Input:
std::string name = "relu";
std::vector<double> values = {-1.5, 0.0, 3.0};
Output atteso:
std::vector<double> expected = {0.0, 0.0, 3.0};Input:
string name = "relu";
double[] values = new double[] {-1.5, 0.0, 3.0};
Output atteso:
double[] expected = new double[] {0.0, 0.0, 3.0};Spiegazione
ReLU mantiene i valori positivi e trasforma quelli negativi in 0: [0, 0, 3].
Come affrontarlo
Prova prima da solo, poi apri un suggerimento alla volta.
Suggerimento 1
Ogni attivazione si applica indipendentemente a ogni numero, quindi concentra l'attenzione su un valore alla volta.
Suggerimento 2
Usa la formula corrispondente al nome dato e costruisci una nuova lista con i risultati.
Suggerimento 3
Fai attenzione agli input negativi, soprattutto per ReLU e alla pendenza leak sulle parti non positive.
Complessità attesa
tempo O(n), spazio aggiuntivo O(n)
Riferimenti
Questa sfida è adattata per CodeUtility. Segui la traccia e i vincoli sopra.