Problema
Uma rede neural pequena tem uma camada oculta e uma camada de saída. Os dados passam por elas em sequência:
- Camada oculta: h_j = ReLU(inputs · hidden_weights[j] + hidden_biases[j]), onde ReLU(z) = max(0, z)
- Camada de saída: y_k = sigmoid(h · output_weights[k] + output_biases[k]), onde sigmoid(z) = 1 / (1 + e^(-z))
Implemente forward_pass(inputs, hidden_weights, hidden_biases, output_weights, output_biases).
Entrada
inputs: Os n valores de entrada.
hidden_weights, hidden_biases: A camada oculta, uma linha e um viés por neurônio oculto.
output_weights, output_biases: A camada de saída, uma linha e um viés por saída; cada linha tem um peso por neurônio oculto.
Saída
Retorne a lista de saídas y da rede.
Restrições
1 ≤ entradas, neurônios ocultos, saídas ≤ 50
-10 ≤ cada valor ≤ 10
Exemplos
Entrada:
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]
]
Saída esperada:
expected = [0.182426]Entrada:
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}
};
Saída esperada:
std::vector<double> expected = {0.182426};Entrada:
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}
};
Saída esperada:
double[] expected = new double[] {0.182426};Explicação
Camada oculta: ReLU(1×1 + 0.5×(-2) + 0) = ReLU(0) = 0 e ReLU(1×0.5 + 0.5×1 + 0.5) = 1.5. Saída: sigmoid(0×1 + 1.5×(-1) + 0) = sigmoid(-1.5) ≈ 0.182426.
Entrada:
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]
]
Saída esperada:
expected = [0.5, 0.268941]Entrada:
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}
};
Saída esperada:
std::vector<double> expected = {0.5, 0.268941};Entrada:
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}
};
Saída esperada:
double[] expected = new double[] {0.5, 0.268941};Explicação
Camada oculta: ReLU(2) = 2 e ReLU(-2) = 0. Saída 1: sigmoid(2×0.5 + 0 - 1) = sigmoid(0) = 0.5. Saída 2: sigmoid(2×(-0.5) + 0) = sigmoid(-1) ≈ 0.268941.
Como abordar
Tente sozinho primeiro e depois abra uma dica de cada vez.
Dica 1
Primeiro calcule todas as ativações da camada oculta a partir das entradas, depois use essas saídas na camada final.
Dica 2
Cada camada é um conjunto de produtos escalares mais bias, com ReLU na camada oculta e sigmoid na saída.
Dica 3
Não misture as entradas originais na segunda camada; ela só enxerga as saídas da camada oculta.
Complexidade esperada
tempo O(hn + oh), espaço extra O(h + o)
Referências
Este desafio foi adaptado para o CodeUtility. Siga o enunciado e as restrições acima.