Problema
Una piccola rete neurale ha uno strato nascosto e uno strato di output. I dati li attraversano in avanti:
- Strato nascosto: h_j = ReLU(inputs · hidden_weights[j] + hidden_biases[j]), dove ReLU(z) = max(0, z)
- Strato di output: y_k = sigmoid(h · output_weights[k] + output_biases[k]), dove sigmoid(z) = 1 / (1 + e^(-z))
Implementa forward_pass(inputs, hidden_weights, hidden_biases, output_weights, output_biases).
Input
inputs: Gli n valori di input.
hidden_weights, hidden_biases: Lo strato nascosto, una riga e un bias per neurone nascosto.
output_weights, output_biases: Lo strato di output, una riga e un bias per output; ogni riga ha un peso per neurone nascosto.
Output
Restituisci la lista degli output y della rete.
Vincoli
1 ≤ input, neuroni nascosti, output ≤ 50
-10 ≤ ogni valore ≤ 10
Esempi
Input:
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]
]
Output atteso:
expected = [0.182426]Input:
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}
};
Output atteso:
std::vector<double> expected = {0.182426};Input:
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}
};
Output atteso:
double[] expected = new double[] {0.182426};Spiegazione
Strato nascosto: ReLU(1×1 + 0.5×(-2) + 0) = ReLU(0) = 0 e ReLU(1×0.5 + 0.5×1 + 0.5) = 1.5. Output: sigmoid(0×1 + 1.5×(-1) + 0) = sigmoid(-1.5) ≈ 0.182426.
Input:
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]
]
Output atteso:
expected = [0.5, 0.268941]Input:
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}
};
Output atteso:
std::vector<double> expected = {0.5, 0.268941};Input:
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}
};
Output atteso:
double[] expected = new double[] {0.5, 0.268941};Spiegazione
Strato nascosto: ReLU(2) = 2 e ReLU(-2) = 0. Output 1: sigmoid(2×0.5 + 0 - 1) = sigmoid(0) = 0.5. Output 2: sigmoid(2×(-0.5) + 0) = sigmoid(-1) ≈ 0.268941.
Come affrontarlo
Prova prima da solo, poi apri un suggerimento alla volta.
Suggerimento 1
Prima calcola tutte le attivazioni nascoste dagli input, poi usa quelle uscite nascoste per il layer finale.
Suggerimento 2
Ogni layer è un batch di dot product più bias, con ReLU nel layer nascosto e sigmoid nell'output.
Suggerimento 3
Non mescolare gli input originali nel secondo layer; vede solo le uscite del layer nascosto.
Complessità attesa
tempo O(hn + oh), spazio aggiuntivo O(h + o)
Riferimenti
Questa sfida è adattata per CodeUtility. Segui la traccia e i vincoli sopra.