主页
题目
状态
排名
OI排名
统计
题解
请登录
常用链接
AOJ考试平台
老赵的Gitee代码
编译原理模拟考试平台
Java技术手册
FCC网站
菜鸟网
在线工具箱
字节豆包GPT
代码可视化
力扣网
牛客网
洛谷
杭电OJ
CodeForce
隐藏编译器
Problem L: 2025AHCPC_L反向传播
上一题
正确率: $72.22\%$
下一题
Time Limit
$1$ 秒/Second(s)
Memory Limit
$512$ 兆字节/Megabyte(s)
提交总数
$18$
正确数量
$13$
"
裁判形式
标准裁判/Standard Judge
我的状态
尚未尝试
难度
分类标签
×
为本题添加算法分类(请不要超过5个)
当前分类(单击移除):
单击选择分类:
Description
<p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> </span><span style="color:#000000;">正向传播与反向传播是现代神经网络的基础, 小 M 在机器学习课程中成绩很不好, 想利用这次安徽省机器人大赛的机会实践一下机器学习的基础理论, 从零开始实现一个机器学习框架. 他手动定义了一个神经元间的结构, 定义了损失函数和优化器, 并初始化了参数, 他想让你帮忙模拟神经网络的正向传播与反向传播过程, 将正确的值告诉他.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 由于担心你的机器学习基础比小 M 更不好, 小 M 贴心地为你准备了一些基础概念, 以供参考:</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span style="color:#000000;"> <span style="background-color:;"> </span></span><span style="color:#000000;">神经元 (Neuron): 神经网络的基本计算单元,模拟生物神经元的工作方式, 负责接收输入, 进行加权计算并产生输出. 接受来自前一层神经元的输入 x1,x2,x3,...,xn 并与对应的权重 w1,w2,w3,...,wn </span><span style="font-weight:bolder;color:#000000;">分别相乘后求和</span><span style="color:#000000;">, 并与偏置 b 相加. 形式化地, 可以表示为:</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <br /> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);text-align:center;"> <span style="color:#000000;">z=∑i=1nwixi+b</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <br /> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span style="color:#000000;"> 正向传播 (Forward Propagation): 神经网络中进行预测的核心过程, 输入数据从输入层进入网络, 依次经过各隐藏层, 每一层的神经元通过加权求和 (输入与权重的线性结合) 并施加激活函数, 将结果传递到下一层, 最终在输出层生成预测值, 对于第 l 层, 形式化地表示为:</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);text-align:center;"> <span style="color:#000000;">z(l)=σ(W(l)a(l−1)+b(l))</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span><span style="color:#000000;"> 反向传播 (Backward Propagation): 神经网络中基于</span><span style="font-weight:bolder;color:#000000;">链式法则计算损失函数对输入的梯度 (偏导数) 的过程</span><span style="color:#000000;">, 其核心是通过输出层向输入层逐层回传误差.</span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span style="color:#000000;"> 由于小 M 的编程能力很弱, 他设计的神经网络比较简单, 与真实的神经网络有很大差别, 小 Y 将这些特点总结给你:</span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span style="color:#000000;"> 小 M 的神经网络中, 对于任意神经元, 偏置 b 皆为 0, 且每个神经元</span><span style="font-weight:bolder;color:#000000;">恰好有两个输入</span><span style="color:#000000;">, 每一层的激活函数皆为 ReLU 函数, ReLU 函数定义如下:</span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"><span style="color:#000000;"><span style="color:#000000;"> 如果如果ReLU(x)={x如果x≥0,0如果x<0.</span></span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 特别地,我们将 ReLU 函数在 x=0 处的导数值作为 0 来处理.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span><span><span style="color:#000000;"> 小 M 的神经网络固定有 N=2p−1 个节点, 结构固定是一个</span><span style="font-weight:bolder;color:#000000;">满二叉树</span><span style="color:#000000;">. 输出层只有一个节点, 即为根节点, 根节点编号固定为 1. 对于编号为 k 的神经元, 与神经元输入端相连的节点编号固定为 2k 和 2k+1.</span></span></span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span style="color:#000000;"> 在针对某一个目的标签为 0 的任务的训练中, 小 W 将损失函数定义为</span><span style="font-weight:bolder;color:#000000;">输出本身</span><span style="color:#000000;">, 即反向传播的目的便是计算</span><span style="font-weight:bolder;color:#000000;">输入层各分量对最终输出值的偏导数</span><span style="color:#000000;">.</span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 依据计算公式, 我们可以发现, 在这个任务中, 对于一个神经元, 其正向传播过程中, 输出 z 关于输入 x 和 w 的函数为:</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span><span><span><span style="color:#000000;"> </span><span style="color:#000000;">z=ReLU(xinid1×Winid1+xinid2×winid2)</span></span></span></span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 小 M 首先会告诉你一个神经网络的结构和权重, 在网络初始化完成后, 小 M 给你一个向量维度和输入端口数相同的输入向量 v.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span style="color:#000000;"> 在网络训练中, 会让你完成三种操作, 它们分别是:</span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span style="color:#000000;"> 修改输入: 对于输入向量的某一维度 vi 进行修改, 你需要给出神经网络新的输出结果 res, </span><span style="font-weight:bolder;color:#000000;">结果保留一位小数</span><span style="color:#000000;">.</span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span style="color:#000000;"> 反向传播: 求损失函数对于输入向量的第 i 维度 vi 的偏导数, </span><span style="font-weight:bolder;color:#000000;">结果保留一位小数</span><span style="color:#000000;">.</span></span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 优化: 小 M 的肉眼优化器发挥作用, 对神经网络第 k 个神经元的所有输入对应的权重都乘以一个系数, 将其更新.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><span><span><span><span><span><span style="color:#000000;"> </span><span style="font-weight:bolder;color:#000000;">注意: 优化操作是对真实网络数据完成的更改, 对后续查询有后效性.</span></span></span></span></span></span></span> </p>
Input
<p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;">第一行输入一个整数 N, 代表神经元节点个数.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 接下来 N 行, 每行 2 个实数, 描述每一个节点两个输入的权重, 分别代表从 2k 号节点和 2k+1 号节点输入的权重. 如果神经元位于输入层, 则权重均为 0.0. 该输入向量的某一维度直接作为输入层结点的输出.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 接下来 N+12 个实数, 分别为初始状态下各维度输入.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 接下来输入一个整数 Q, 代表操作次数.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 接下来 Q 行, 有如下几种操作</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span><span style="color:#000000;"> 1 x y: 代表将第 x 个维度的输入的值 vx 改为 y, 其中 y 为实数.</span><br /> </span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span style="color:#000000;"> 2 x: 代表求输出 z 关于第 x 维度输入 vx 的偏导数 ∂z∂vx.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;background-color:rgba(245, 222, 179, 0.42);"> <span style="color:#000000;"> 3 x k: 代表将编号为 x 的神经元所有权重都乘 k, 其中 k 为实数, 特别地, 该操作保证不对输入层节点进行操作.</span> </p>
Output
<span style="color:#000000;font-family:Google_sans;font-size:17px;"> </span><span style="color:#000000;font-family:Google_sans;font-size:17px;">针对每一次 </span><span style="color:#000000;">1</span><span style="color:#000000;font-family:Google_sans;font-size:17px;"> 或 </span><span style="color:#000000;">2</span><span style="color:#000000;font-family:Google_sans;font-size:17px;"> 操作, 输出操作的结果.</span>
Sample Input
复制
3 1.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 4 1 1 3.0 2 1 3 1 -2.0 2 2
Sample Output
复制
5.0 1.0 0.0
提示
<h3 style="font-family:Google_sans, Lato, "color:#FFFFFF;font-size:1.6rem;"> <span style="color:#000000;">样例解释</span> </h3> <hr /> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 对于初始情况, 该网络结构和输入情况如下, 初始输出为 3.0, 此时对于 v1 为 1.0, v2 为 2.0. 此时 z=1.0×v1+1.0×v2, 输出结果为 3.0, 输出对于 v1 和 v2 的偏导数均为 1.0.</span> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span><br /> </span> </p> <p> <img src="https://www.shaoxiaoj.com/upload/www.shaoxiaoj.com/image/20250529/20250529212337_47268.png" width="300px" alt="" /> </p> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <br /> </p> <h3 style="font-family:Google_sans, Lato, "color:#FFFFFF;font-size:1.6rem;"> <span style="color:#000000;">数据规模与约定</span> </h3> <hr /> <p style="color:#FFFFFF;font-family:Google_sans;font-size:17px;"> <span style="color:#000000;"> 对于 100% 的数据, 1≤N≤106, 1≤Q≤5×105, |w|,|k|,|y|,|vi|≤103.</span> </p>
AOJ
Please Login