某医疗系统要用一次“线性映射 + 线性分类”结构对问卷症状序列做三步计算：前向预测、MSE 损失、一次 SGD 权重更新。设一条问卷包含 L 条症状记录，每条症状是 D 维向量。先用一个 D×D 的权重矩阵把每条症状做线性变换，再用一个 D×K 的权重矩阵得到 K 维分类打分。把所有记录的打分在“症状条目维度”求平均，得到最终的 K 维预测向量（不做 softmax 归一化）。随后与给定的 K 维真实向量做 MSE 损失，并用学习率 η 进行一次 SGD 更新这两个权重矩阵（均无偏置）。
· 输入第 1 行：L,D,K,η · 第 2 行：真实向量 y（K 个数） · 第 3 行：序列矩阵 X（按行展平，共 L×D 个数） · 第 4 行：映射矩阵 W_mlp（按行展平，共 D×D 个数） · 第 5 行：分类矩阵 W_cls（按行展平，共 D×K 个数） 计算规则（均为行优先展平与输出，四舍五入保留 2 位小数）： · H = X @ W_mlp（逐行相乘），h_mean = 每行 H 的平均（1×D） · y_pred = h_mean @ W_cls（1×K） · MSE = (1/K) * Σ(y_pred[i] − y[i])^2 · 令 g = (2/K) * (y_pred − y)（1×K） · grad_W_cls = 外积(h_mean, g)（D×K） · 令 x_mean = 每行 X 的平均（1×D），u = g @ W_cls^T（1×D） grad_W_mlp = 外积(x_mean, u)（D×D） · 参数更新：W_mlp -= η * grad_W_mlp，W_cls -= η * grad_W_cls
输出共 4 行： 1) y_pred（K 个数） 2) MSE（1 个数） 3) 更新后的 W_mlp（D×D 个数，行优先） 4) 更新后的 W_cls（D×K 个数，行优先）
1,2,3,0.3 0.5,1.5,2.0 1.0,2.0 1.0,0.0,0.0,1.0 1.0,0.0,0.0,0.0,1.0,1.0
1.00,2.00,2.00 0.17 0.90,-0.10,-0.20,0.80 0.90,-0.10,0.00,-0.20,0.80,1.00
考点：模拟
限制 1 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
按给定三步走：H = X·W_mlp 后对症状维度取均值 → 与 y 算 MSE → 用梯度对 W_mlp、W_cls 各做一次 SGD 更新，全程无偏置，输出保留两位。
不涉及复杂算法，把题目描述的流程原样翻译成代码逐步执行即可。
思路框架（模拟 通法 · 非本题专属）
实现要点：结构上通常是一个外层循环包住若干 if/else 分支；只要状态定义清楚，正确率很高。
复杂度：时间 O(操作次数) ｜ 空间 O(状态数)
该范式的通法易错点
样例 1：输入 1,2,3,0.3 / 0.5,1.5,2.0 / 1.0,2.0 / 1.0,0.0,0.0,1.0 / 1.0,0.0,0.0,0.0,1.0,1.0 → 输出 1.00,2.00,2.00 / 0.17 / 0.90,-0.10,-0.20,0.80 / 0.90,-0.10,0.00,-0.20,0.80,1.00
h_mean = [1,2]；y_pred = [1,2,2]；MSE = 0.17。
g = (2/3)*([0.5,0.5,0]) = [0.33,0.33,0.00]；据此求两矩阵梯度并以 η=0.3 更新后得到上述权重。
解析由校招宝本地引擎整理（依据源站考点标签 / 人工判题标注 / 题面规模信号），非官方题解，仅供思路参考。
本题来源：2025年秋招-华为-11月06号留学生AI岗。