实现 Inverted Dropout（给定 mask）

实现 inverted dropout 的核心缩放逻辑。真实 dropout 会随机采样 mask；为保证判题确定性，本题把 0/1 掩码直接传入，你只需实现缩放： y = x * mask / (1 - p) 其中保留的元素（mask=1）被放大 1/(1-p) 倍，被丢弃的元素（mask=0）归零。这是 inverted dropout 在训练时保持期望值不变的关键。 要求： - 用张量运算实现，不要写 Python 逐元素循环； - 当 p == 0 时必须等价于恒等映射（此时 mask 全 1）； - 当 p >= 1 或 p < 0 时抛出 ValueError（异常用例会检查）； - 计算必须可微（梯度检查会验证 x 上的梯度为 mask / (1 - p)）。