From 43dad1d439e6d1faa1865fb1ba153e5c471d24bd Mon Sep 17 00:00:00 2001
From: Maxxhim <maxc2507@gmail.com>
Date: Fri, 3 Apr 2020 15:48:38 +0200
Subject: [PATCH] add relu
---
functions.py | 12 ++++++------
1 file changed, 6 insertions(+), 6 deletions(-)
diff --git a/functions.py b/functions.py
index 65e0501..ae4d9c5 100644
--- a/functions.py
+++ b/functions.py
@@ -283,7 +283,7 @@ class Sigmoid(_Function):
def __init__(self, x):
super().__init__("Sigmoid", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = 1/(1 + np.exp(-self.x.data))
@@ -293,7 +293,7 @@ class Sigmoid(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * np.exp(-self.x.data)/(np.square(np.exp(-self.x.data) + 1))
@@ -308,7 +308,7 @@ class Tanh(_Function):
def __init__(self, x):
super().__init__("Tanh", x)
#######################################################################
- # TODO: Implement the forward pass and put the result in self.result.
+ # Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
self.result = np.tanh(self.x.data)
@@ -318,7 +318,7 @@ class Tanh(_Function):
def _backward(self, grad):
#######################################################################
- # TODO: Implement the derivative dx for this opetation and add the
+ # Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
self.dx = grad * (1 - np.square(np.tanh(self.x.data)))
@@ -375,7 +375,7 @@ class ReLu(_Function):
# TODO: Implement the forward pass and put the result in self.result.
# The notbook provide you the formulas for this operation.
#######################################################################
- self.result = None
+ self.result = np.max(0, self.x.data)
#######################################################################
# --------------------------- END OF YOUR CODE ------------------------
#######################################################################
@@ -385,7 +385,7 @@ class ReLu(_Function):
# TODO: Implement the derivative dx for this opetation and add the
# result of the chain rule on self.dx.
#######################################################################
- self.dx = None
+ self.dx = 0 if self.x.data <= 0 else 1
#######################################################################
# --------------------------- END OF YOUR CODE ------------------------
#######################################################################
--
GitLab