โจทย์
Backpropagation multiplies gradients by the derivative of each activation function. Implement activation_derivative(name, values) and return the derivative at every value:
| name | derivative |
|---|---|
"sigmoid" | s × (1 - s), where s = 1 / (1 + e^(-x)) |
"relu" | 1 if x > 0, otherwise 0 |
"leaky_relu" | 1 if x > 0, otherwise 0.01 |
"tanh" | 1 - tanh(x)² |
Input
name: One of "sigmoid", "relu", "leaky_relu" or "tanh".
values: The inputs x of the activation.
Output
Return the derivative at each value, in the same order.
เงื่อนไข
1 ≤ length ≤ 1,000
-50 ≤ each value ≤ 50
ตัวอย่าง
อินพุต:
name = "sigmoid"
values = [0.0, 2.0]
ผลลัพธ์ที่คาดหวัง:
expected = [0.25, 0.104994]อินพุต:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0};
ผลลัพธ์ที่คาดหวัง:
std::vector<double> expected = {0.25, 0.104994};อินพุต:
string name = "sigmoid";
double[] values = new double[] {0.0, 2.0};
ผลลัพธ์ที่คาดหวัง:
double[] expected = new double[] {0.25, 0.104994};คำอธิบาย
At 0, s = 0.5 and the slope is 0.5 × 0.5 = 0.25, the steepest point of the sigmoid. At 2, s ≈ 0.880797 and the slope is about 0.104994.
อินพุต:
name = "relu"
values = [-3.0, 0.0, 4.5]
ผลลัพธ์ที่คาดหวัง:
expected = [0.0, 0.0, 1.0]อินพุต:
std::string name = "relu";
std::vector<double> values = {-3.0, 0.0, 4.5};
ผลลัพธ์ที่คาดหวัง:
std::vector<double> expected = {0.0, 0.0, 1.0};อินพุต:
string name = "relu";
double[] values = new double[] {-3.0, 0.0, 4.5};
ผลลัพธ์ที่คาดหวัง:
double[] expected = new double[] {0.0, 0.0, 1.0};คำอธิบาย
ReLU is flat for x ≤ 0 (slope 0) and has slope 1 for x > 0, so the result is [0, 0, 1].
แนวทางการแก้
ลองทำเองก่อน แล้วค่อยเปิดคำใบ้ทีละข้อ
คำใบ้ 1
The derivative depends on the activation type, so handle each function separately for every input value.
คำใบ้ 2
For sigmoid and tanh, reuse the activation output or its standard function value instead of recomputing from scratch in a complicated way.
คำใบ้ 3
Watch the sign thresholds: ReLU uses a strict positive test, while leaky ReLU keeps a small slope for nonpositive values.
ความซับซ้อนที่คาดหวัง
O(n) time, O(n) extra space
แหล่งอ้างอิง
โจทย์นี้ปรับให้เหมาะกับ CodeUtility กรุณาทำตามคำชี้แจงและข้อจำกัดด้านบน