Tất cả thử thách
Trung bình 0 đã giải Tỷ lệ chấp nhận 0%

Lan truyền xuôi trong mạng hai lớp

Đưa đầu vào qua một lớp ẩn ReLU và một lớp đầu ra sigmoid.

Bạn sẽ học được gì

  • Nối một lớp ẩn với lớp đầu ra
  • Đưa đầu ra của lớp này vào lớp tiếp theo
  • Chạy dự đoán của cả mạng

Đề bài

Xem bản gốc (English)

Một mạng nơ-ron nhỏ có lớp ẩn và lớp đầu ra. Dữ liệu đi tuần tự qua chúng:

  1. Lớp ẩn: h_j = ReLU(inputs · hidden_weights[j] + hidden_biases[j]), với ReLU(z) = max(0, z)
  2. Lớp đầu ra: y_k = sigmoid(h · output_weights[k] + output_biases[k]), với sigmoid(z) = 1 / (1 + e^(-z))

Hãy cài đặt forward_pass(inputs, hidden_weights, hidden_biases, output_weights, output_biases).

Đầu vào

inputs: n giá trị đầu vào.

hidden_weights, hidden_biases: Lớp ẩn, mỗi nơ-ron ẩn một hàng trọng số và một bias.

output_weights, output_biases: Lớp đầu ra, mỗi đầu ra một hàng và một bias; mỗi hàng có một trọng số cho mỗi nơ-ron ẩn.

Đầu ra

Trả về danh sách đầu ra y của mạng.

Ràng buộc

1 ≤ số đầu vào, số nơ-ron ẩn, số đầu ra ≤ 50

-10 ≤ mỗi giá trị ≤ 10

Ví dụ

Ví dụ 1
Đầu vào:
inputs = [1.0, 0.5]
hidden_weights = [
    [1.0, -2.0],
    [0.5, 1.0]
]
hidden_biases = [0.0, 0.5]
output_weights = [
    [1.0, -1.0]
]
output_biases = [0.0]

Kết quả mong đợi:
expected = [0.182426]
Đầu vào:
std::vector<double> inputs = {1.0, 0.5};
std::vector<std::vector<double>> hidden_weights = {
    {1.0, -2.0},
    {0.5, 1.0}
};
std::vector<double> hidden_biases = {0.0, 0.5};
std::vector<std::vector<double>> output_weights = {
    {1.0, -1.0}
};
std::vector<double> output_biases = {0.0};

Kết quả mong đợi:
std::vector<double> expected = {0.182426};
Đầu vào:
double[] inputs = new double[] {1.0, 0.5};
double[][] hidden_weights = new double[][] {
    new double[] {1.0, -2.0},
    new double[] {0.5, 1.0}
};
double[] hidden_biases = new double[] {0.0, 0.5};
double[][] output_weights = new double[][] {
    new double[] {1.0, -1.0}
};
double[] output_biases = new double[] {0.0};

Kết quả mong đợi:
double[] expected = new double[] {0.182426};

Giải thích

Lớp ẩn: ReLU(1×1 + 0.5×(-2) + 0) = ReLU(0) = 0 và ReLU(1×0.5 + 0.5×1 + 0.5) = 1.5. Đầu ra: sigmoid(0×1 + 1.5×(-1) + 0) = sigmoid(-1.5) ≈ 0.182426.

Ví dụ 2
Đầu vào:
inputs = [2.0]
hidden_weights = [
    [1.0],
    [-1.0]
]
hidden_biases = [0.0, 0.0]
output_weights = [
    [0.5, 0.5],
    [-0.5, 2.0]
]
output_biases = [-1.0, 0.0]

Kết quả mong đợi:
expected = [0.5, 0.268941]
Đầu vào:
std::vector<double> inputs = {2.0};
std::vector<std::vector<double>> hidden_weights = {
    {1.0},
    {-1.0}
};
std::vector<double> hidden_biases = {0.0, 0.0};
std::vector<std::vector<double>> output_weights = {
    {0.5, 0.5},
    {-0.5, 2.0}
};
std::vector<double> output_biases = {-1.0, 0.0};

Kết quả mong đợi:
std::vector<double> expected = {0.5, 0.268941};
Đầu vào:
double[] inputs = new double[] {2.0};
double[][] hidden_weights = new double[][] {
    new double[] {1.0},
    new double[] {-1.0}
};
double[] hidden_biases = new double[] {0.0, 0.0};
double[][] output_weights = new double[][] {
    new double[] {0.5, 0.5},
    new double[] {-0.5, 2.0}
};
double[] output_biases = new double[] {-1.0, 0.0};

Kết quả mong đợi:
double[] expected = new double[] {0.5, 0.268941};

Giải thích

Lớp ẩn: ReLU(2) = 2 và ReLU(-2) = 0. Đầu ra 1: sigmoid(2×0.5 + 0 - 1) = sigmoid(0) = 0.5. Đầu ra 2: sigmoid(2×(-0.5) + 0) = sigmoid(-1) ≈ 0.268941.

Hướng tiếp cận

Hãy tự thử trước, sau đó mở từng gợi ý một.

Gợi ý 1

Trước hết tính toàn bộ hidden activations từ input, rồi dùng các output đó cho lớp cuối.

Gợi ý 2

Mỗi lớp là một loạt dot product cộng bias, với ReLU ở hidden layer và sigmoid ở output.

Gợi ý 3

Không trộn input gốc vào lớp thứ hai; nó chỉ nhận các giá trị từ hidden layer.

Độ phức tạp mong đợi

thời gian O(hn + oh), bộ nhớ phụ O(h + o)

Tham khảo

Thử thách này đã được điều chỉnh cho CodeUtility. Hãy làm theo đề bài và các ràng buộc ở trên.

Lời giải đạt tốt nhất của mỗi người. Lời giải nhanh hơn, tốn ít bộ nhớ hơn và được đánh giá cao hơn sẽ đứng trên.

Chưa có lời giải nào đạt. Giải bài này để giành hạng nhất.

Học hỏi từ người khác

Giải pháp cộng đồng

Chưa có giải pháp nào được chia sẻ. Hãy giải thử thách này để đăng giải pháp đầu tiên.