import math

 import random

 import string

 random.seed(0)

 # 生成区间[a, b)内的随机数

 def rand(a, b):

     return (b-a)*random.random() + a

 # 生成大小 I*J 的矩阵，默认零矩阵 (当然，亦可用 NumPy 提速)

 def makeMatrix(I, J, fill=0.0):

     m = []

     for i in range(I):

         m.append([fill]*J)

     return m

 # 函数 sigmoid，这里采用 tanh，因为看起来要比标准的 1/(1+e^-x) 漂亮些

 def sigmoid(x):

     return math.tanh(x)

 # 函数 sigmoid 的派生函数, 为了得到输出 (即：y)

 def dsigmoid(y):

     return 1.0 - y**2

 class NN:

     ''' 三层反向传播神经网络 '''

     def __init__(self, ni, nh, no):

         # 输入层、隐藏层、输出层的节点（数）

         self.ni = ni + 1 # 增加一个偏差节点

         self.nh = nh

         self.no = no

         # 激活神经网络的所有节点（向量）

         self.ai = [1.0]*self.ni

         self.ah = [1.0]*self.nh

         self.ao = [1.0]*self.no

         # 建立权重（矩阵）

         self.wi = makeMatrix(self.ni, self.nh)

         self.wo = makeMatrix(self.nh, self.no)

         # 设为随机值

         for i in range(self.ni):

             for j in range(self.nh):

                 self.wi[i][j] = rand(-0.2, 0.2)

         for j in range(self.nh):

             for k in range(self.no):

                 self.wo[j][k] = rand(-2.0, 2.0)

         # 最后建立动量因子（矩阵）

         self.ci = makeMatrix(self.ni, self.nh)

         self.co = makeMatrix(self.nh, self.no)

     def update(self, inputs):

         if len(inputs) != self.ni-1:

             raise ValueError('与输入层节点数不符！')

         # 激活输入层

         for i in range(self.ni-1):

             #self.ai[i] = sigmoid(inputs[i])

             self.ai[i] = inputs[i]

         # 激活隐藏层

         for j in range(self.nh):

             sum = 0.0

             for i in range(self.ni):

                 sum = sum + self.ai[i] * self.wi[i][j]

             self.ah[j] = sigmoid(sum)

         # 激活输出层

         for k in range(self.no):

             sum = 0.0

             for j in range(self.nh):

                 sum = sum + self.ah[j] * self.wo[j][k]

             self.ao[k] = sigmoid(sum)

         return self.ao[:]

     def backPropagate(self, targets, N, M):

         ''' 反向传播 '''

         if len(targets) != self.no:

             raise ValueError('与输出层节点数不符！')

         # 计算输出层的误差

         output_deltas = [0.0] * self.no

         for k in range(self.no):

             error = targets[k]-self.ao[k]

             output_deltas[k] = dsigmoid(self.ao[k]) * error

         # 计算隐藏层的误差

         hidden_deltas = [0.0] * self.nh

         for j in range(self.nh):

             error = 0.0

             for k in range(self.no):

                 error = error + output_deltas[k]*self.wo[j][k]

             hidden_deltas[j] = dsigmoid(self.ah[j]) * error

         # 更新输出层权重

         for j in range(self.nh):

             for k in range(self.no):

                 change = output_deltas[k]*self.ah[j]

                 self.wo[j][k] = self.wo[j][k] + N*change + M*self.co[j][k]

                 self.co[j][k] = change

                 #print(N*change, M*self.co[j][k])

         # 更新输入层权重

         for i in range(self.ni):

             for j in range(self.nh):

                 change = hidden_deltas[j]*self.ai[i]

                 self.wi[i][j] = self.wi[i][j] + N*change + M*self.ci[i][j]

                 self.ci[i][j] = change

         # 计算误差

         error = 0.0

         for k in range(len(targets)):

             error = error + 0.5*(targets[k]-self.ao[k])**2

         return error

     def test(self, patterns):

         for p in patterns:

             print(p[0], '->', self.update(p[0]))

     def weights(self):

         print('输入层权重:')

         for i in range(self.ni):

             print(self.wi[i])

         print()

         print('输出层权重:')

         for j in range(self.nh):

             print(self.wo[j])

     def train(self, patterns, iterations=1000, N=0.5, M=0.1):

         # N: 学习速率(learning rate)

         # M: 动量因子(momentum factor)

         for i in range(iterations):

             error = 0.0

             for p in patterns:

                 inputs = p[0]

                 targets = p[1]

                 self.update(inputs)

                 error = error + self.backPropagate(targets, N, M)

             if i % 100 == 0:

                 print('误差 %-.5f' % error)

 def demo():

     # 一个演示：教神经网络学习逻辑异或（XOR）------------可以换成你自己的数据试试

     pat = [

         [[0,0], [0]],

         [[0,1], [1]],

         [[1,0], [1]],

         [[1,1], [0]]

     ]

     # 创建一个神经网络：输入层有两个节点、隐藏层有两个节点、输出层有一个节点

     n = NN(2, 2, 1)

     # 用一些模式训练它

     n.train(pat)

     # 测试训练的成果（不要吃惊哦）

     n.test(pat)

     # 看看训练好的权重（当然可以考虑把训练好的权重持久化）

     #n.weights()

 if __name__ == '__main__':

     demo()