Đề bài
Sau khi nơ-ron cộng các đầu vào đã nhân trọng số, hàm kích hoạt quyết định đầu ra của nó. Nếu không có hàm kích hoạt, mạng nơ-ron chỉ học được các đường thẳng.
Hãy cài đặt activate(name, values) và áp dụng hàm có tên tương ứng cho từng giá trị:
| name | công thức |
|---|---|
"sigmoid" | 1 / (1 + e^(-x)) |
"relu" | max(0, x) |
"leaky_relu" | x nếu x > 0, ngược lại 0.01 × x |
"tanh" | (e^x - e^(-x)) / (e^x + e^(-x)) |
Đầu vào
name: Một trong "sigmoid", "relu", "leaky_relu" hoặc "tanh".
values: Một danh sách số.
Đầu ra
Trả về danh sách đã áp dụng hàm kích hoạt cho từng giá trị, giữ nguyên thứ tự.
Ràng buộc
1 ≤ độ dài của values ≤ 1.000
-50 ≤ mỗi giá trị ≤ 50
Ví dụ
Ví dụ 1
Đầu vào:
name = "sigmoid"
values = [0.0, 2.0, -2.0]
Kết quả mong đợi:
expected = [0.5, 0.880797, 0.119203]Đầu vào:
std::string name = "sigmoid";
std::vector<double> values = {0.0, 2.0, -2.0};
Kết quả mong đợi:
std::vector<double> expected = {0.5, 0.880797, 0.119203};Đầu vào:
string name = "sigmoid";
double[] values = new double[] {0.0, 2.0, -2.0};
Kết quả mong đợi:
double[] expected = new double[] {0.5, 0.880797, 0.119203};Giải thích
sigmoid(0) = 1 / (1 + 1) = 0.5, sigmoid(2) ≈ 0.880797 và sigmoid(-2) ≈ 0.119203. Sigmoid ép mọi số vào khoảng từ 0 đến 1.
Ví dụ 2
Đầu vào:
name = "relu"
values = [-1.5, 0.0, 3.0]
Kết quả mong đợi:
expected = [0.0, 0.0, 3.0]Đầu vào:
std::string name = "relu";
std::vector<double> values = {-1.5, 0.0, 3.0};
Kết quả mong đợi:
std::vector<double> expected = {0.0, 0.0, 3.0};Đầu vào:
string name = "relu";
double[] values = new double[] {-1.5, 0.0, 3.0};
Kết quả mong đợi:
double[] expected = new double[] {0.0, 0.0, 3.0};Giải thích
ReLU giữ nguyên giá trị dương và biến giá trị âm thành 0: [0, 0, 3].
Tham khảo
Thử thách này đã được điều chỉnh cho CodeUtility. Hãy làm theo đề bài và các ràng buộc ở trên.