小美是一位算法工程师，她正在研究一个用于预测用户下单行为的序列模型。为了更好地理解模型内部的运作机制，她决定亲手实现模型核心组件——单层 GRU 的前向传播过程。请你帮助小美完成这个任务，注意，请仅使用 numpy / pandas / scikit-learn 进行实现。 已知输入序列 x_t_t=1^T （每步维度 d），权重矩阵 / 偏置、以及初始隐藏向量 h_0 （维度 h），请输出最终隐藏状态 h_T 。 GRU 公式 对每一时刻 t = 1…T aligned r_t &= (x_t W_xr + h_t-1 W_hr + b_r) \[2pt] z_t &= (x_t W_xz + h_t-1 W_hz + b_z) \[2pt] h_t &= (x_t W_xh + (r_t h_t-1) W_hh + b_h) \[2pt] h_t &= (1 - z_t) h_t-1 + z_t h_t aligned • (x)=1/(1+e^-x) ， 为逐元素乘 • 所有权重均以列拼接形式给出： W_x = [W_xr|W_xz|W_xh] ∈ R^d× 3h, W_h = [W_hr|W_hz|W_hh] ∈ R^h× 3h, 偏置 b=[b_r|b_z|b_h]∈ R^3h 。 • 无需反向传播 / 更新——只计算最终 h_T 。 • 所有运算请用 float64; 结果保留 6 位小数（四舍五入）。 公式各符号含义： • x_t∈R^d ：第 t 步输入向量（维度 d）。 • h_t-1,h_t∈R^h ：分别为上一步与当前步的隐藏状态（维度 h）。 • r_t=(·)∈(0,1)^h （reset gate 重置门）：控制从旧状态 h_t-1 中“带入多少历史”。 r_t 越小，对应维度的历史信息被“清空”得越多。 • z_t=(·)∈(0,1)^h （update gate 更新门）：在旧状态与候选状态之间做软切换。 • h_t=(·)∈(-1,1)^h （candidate hidden 候选状态）
单行 JSON，字段：
{
"Wx": [[...], ...], // d × 3h
"Wh": [[...], ...], // h × 3h
"b": [...], // 长度 3h
"h0": [...], // 长度 h
"X": [[...], ...] // T × d (按时间顺序)
}
• d,h,T 皆 ≤ 3
• 所有值为数值；不含缺失
• "Wx"：二维数组，形状 [d,3h]。即 [W_xr|W_xz|W_xh] 。
• "Wh"：二维数组，形状 [h,3h]。即 [W_hr|W_hz|W_hh] 。
• "b"：一维数组，长度 3h。依次对应 [b_r,b_z,b_h] 。
• "h0"：一维数组，长度 h。初始隐藏状态 h_0 。
• "X"：二维数组，形状 [T,d]。按时间顺序存放各步输入 x_t ；即第 t 行就是 x_t 。
仅一行： [hT_1, hT_2, …] // 长度 = h 每元素保留 6 位小数（使用round(x,6)即可），顺序与隐藏维度一致。
{"Wx":[[0.5,0,0.5,0,1,0],[0,0.5,0,0.5,0,1]],"Wh":[[0,0,0,0,0,0],[0,0,0,0,0,0]],"b":[0,0,0,0,0,0],"h0":[0,0],"X":[[0,0]]}[0.0, 0.0]
考点：模拟
限制 5 秒 / 256MB ｜ 标准输入输出
推荐方向：模拟
本题切入点
按 GRU 公式逐步前向：先算重置门、更新门与候选隐状态（sigmoid/tanh 与逐元素乘），再按 h_t=(1−z)⊙h_{t−1}+z⊙h̃ 更新，只输出最终 h_T 两位小数。
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
{"Wx":[[0.5,0,0.5,0,1,0],[0,0.5,0,0.5,0,1]],"Wh":[[0,0,0,0,0,0],[0,0,0,0,0,0]],"b":[0,0,0,0,0,0],"h0":[0,0],"X":[[0,0]]}[0.0, 0.0]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：2026年春招-美团-算法策略岗-第二批笔试。