import math
import random
 
# --- 1. ВСПОМОГАТЕЛЬНЫЕ ФУНКЦИИ (Вместо формул) ---
 
 
def activation(x):
    """Сглаживает любое число в диапазон от 0 до 1 (функция Сигмоида)"""
    return 1 / (1 + math.exp(-x))
 
 
def activation_derivative(x):
    """Показывает, насколько сильно нужно изменить вес при ошибке"""
    return x * (1 - x)
 
 
# --- 2. ДАННЫЕ ДЛЯ ОБУЧЕНИЯ ---
# Задача: выдать 1, только если ОДИН из входов равен 1. Если оба 0 или оба 1 -> выдать 0.
training_inputs = [[0, 0], [0, 1], [1, 0], [1, 1]]
training_outputs = [[0], [1], [1], [0]]
 
# --- 3. ИНИЦИАЛИЗАЦИЯ СЕТИ (Случайные веса) ---
random.seed(1)  # Задаем фиксацию случайности для повторяемости
 
# Веса между входным слоем (2 входа) и скрытым слоем (3 нейрона)
weights_input_hidden = [
    [random.uniform(-1, 1) for _ in range(3)] for _ in range(2)
]
 
# Веса между скрытым слоем (3 нейрона) и выходным слоем (1 выход)
weights_hidden_output = [
    [random.uniform(-1, 1) for _ in range(1)] for _ in range(3)
]
 
learning_rate = 0.5  # Скорость обучения
 
# --- 4. ЦИКЛ ОБУЧЕНИЯ (20 000 повторений) ---
for epoch in range(20000):
    for inputs, correct_output in zip(training_inputs, training_outputs):
 
        # ---- ШАГ А: ПРЯМОЙ ХОД (Сигнал идет вперед) ----
 
        # Считаем сигналы для 3-х нейронов в скрытом слое
        hidden_layer_outputs = []
        for j in range(3):
            sum_j = inputs[0] * weights_input_hidden[0][j] + inputs[1] * weights_input_hidden[1][j]
            hidden_layer_outputs.append(activation(sum_j))
 
        # Считаем финальный прогноз на выходе
        final_sum = 0
        for j in range(3):
            final_sum += hidden_layer_outputs[j] * weights_hidden_output[j][0]
        prediction = activation(final_sum)
 
        # ---- ШАГ Б: ОБРАТНЫЙ ХОД (Исправление ошибок) ----
 
        # 1. Считаем ошибку на самом выходе
        output_error = correct_output[0] - prediction
        output_delta = output_error * activation_derivative(prediction)
 
        # 2. Переносим ошибку назад на скрытый слой
        hidden_deltas = []
        for j in range(3):
            hidden_error = output_delta * weights_hidden_output[j][0]
            hidden_deltas.append(
                hidden_error * activation_derivative(hidden_layer_outputs[j])
            )
 
        # 3. Корректируем веса между скрытым и выходным слоями
        for j in range(3):
            weights_hidden_output[j][0] += (
                learning_rate * output_delta * hidden_layer_outputs[j]
            )
 
        # 4. Корректируем веса между входным и скрытым слоями
        for i in range(2):
            for j in range(3):
                weights_input_hidden[i][j] += (
                    learning_rate * hidden_deltas[j] * inputs[i]
                )
 
print("Обучение многослойной сети завершено!\n")
 
# --- 5. ПРОВЕРКА РЕЗУЛЬТАТОВ ---
print("--- ТЕСТИРОВАНИЕ СЕТИ ---")
for inputs in training_inputs:
    # Повторяем только ПРЯМОЙ ХОД для проверки
    hidden_layer_outputs = []
    for j in range(3):
        sum_j = inputs[0] * weights_input_hidden[0][j] + inputs[1] * weights_input_hidden[1][j]
        hidden_layer_outputs.append(activation(sum_j))
 
    final_sum = 0
    for j in range(3):
        final_sum += hidden_layer_outputs[j] * weights_hidden_output[j][0]
    prediction = activation(final_sum)
 
    print(
        f"Входы: {inputs} -> Прогноз сети: {prediction:.4f} (Округляем до {round(prediction)})"
    )
 

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