医疗诊断模型的训练

import sys
import numpy as np

def main():
    # 读取输入
    line1 = sys.stdin.readline().strip().split(',')
    L, D, K, eta = int(line1[0]), int(line1[1]), int(line1[2]), float(line1[3])
    
    # 真实标签
    y = np.array(list(map(float, sys.stdin.readline().strip().split(','))))
    
    # 输入序列
    X_flat = list(map(float, sys.stdin.readline().strip().split(',')))
    X = np.array(X_flat).reshape(L, D)
    
    # 映射矩阵
    W_mlp_flat = list(map(float, sys.stdin.readline().strip().split(',')))
    W_mlp = np.array(W_mlp_flat).reshape(D, D)
    
    # 分类矩阵
    W_cls_flat = list(map(float, sys.stdin.readline().strip().split(',')))
    W_cls = np.array(W_cls_flat).reshape(D, K)
    
    # 前向传播
    H = X @ W_mlp  # L x D
    h_mean = np.mean(H, axis=0)  # 1 x D
    y_pred = h_mean @ W_cls  # 1 x K
    
    # 计算损失
    MSE = np.mean((y_pred - y) ** 2)
    
    # 反向传播
    g = (2.0 / K) * (y_pred - y)  # 1 x K
    
    # 计算梯度
    grad_W_cls = np.outer(h_mean, g)  # D x K
    
    u = g @ W_cls.T  # 1 x D
    x_mean = np.mean(X, axis=0)  # 1 x D
    grad_W_mlp = np.outer(x_mean, u)  # D x D
    
    # 更新参数
    W_mlp_new = W_mlp - eta * grad_W_mlp
    W_cls_new = W_cls - eta * grad_W_cls
    
    # 输出结果（四舍五入到2位小数）
    y_pred_str = ','.join([f"{val:.2f}" for val in y_pred])
    print(y_pred_str)
    
    print(f"{MSE:.2f}")
    
    W_mlp_str = ','.join([f"{val:.2f}" for val in W_mlp_new.flatten()])
    print(W_mlp_str)
    
    W_cls_str = ','.join([f"{val:.2f}" for val in W_cls_new.flatten()])
    print(W_cls_str)

if __name__ == "__main__":
    main()