Problema
Depois que um neurônio soma suas entradas ponderadas, uma função de ativação decide sua saída. Sem ela, uma rede neural só conseguiria aprender linhas retas.
Implemente activate(name, values) e aplique a função indicada a cada valor:
| name | fórmula |
|---|---|
"sigmoid" | 1 / (1 + e^(-x)) |
"relu" | max(0, x) |
"leaky_relu" | x se x > 0, senão 0.01 × x |
"tanh" | (e^x - e^(-x)) / (e^x + e^(-x)) |
Entrada
name: Um de "sigmoid", "relu", "leaky_relu" ou "tanh".
values: Uma lista de números.
Saída
Retorne uma lista com a ativação aplicada a cada valor, na mesma ordem.
Restrições
1 ≤ tamanho de values ≤ 1.000
-50 ≤ cada valor ≤ 50
Exemplos
Exemplo 1
Entrada:
name = "sigmoid"
values = [0.0, 2.0, -2.0]
Saída esperada:
expected = [0.5, 0.880797, 0.119203]Entrada:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0, -2.0};
Saída 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};
Saída esperada:
double[] expected = new double[] {0.5, 0.880797, 0.119203};Explicação
sigmoid(0) = 1 / (1 + 1) = 0.5, sigmoid(2) ≈ 0.880797 e sigmoid(-2) ≈ 0.119203. A sigmoide comprime qualquer número no intervalo de 0 a 1.
Exemplo 2
Entrada:
name = "relu"
values = [-1.5, 0.0, 3.0]
Saída esperada:
expected = [0.0, 0.0, 3.0]Entrada:
std::string name = "relu";
std::vector<double> values = {-1.5, 0.0, 3.0};
Saída 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};
Saída esperada:
double[] expected = new double[] {0.0, 0.0, 3.0};Explicação
ReLU mantém os valores positivos e transforma os negativos em 0: [0, 0, 3].
Referências
Este desafio foi adaptado para o CodeUtility. Siga o enunciado e as restrições acima.