# -*- coding: UTF-8 -*-
import matplotlib  as mpl
import numpy  as np
import matplotlib.pyplot as plt


#BP神經網路實現異或問題
X=np.array([[1,0,0],
            [1,0,1],
            [1,1,0],
            [1,1,1]])
#輸入層3個節點，隱含層4個節點，所以需要3*4個權值
V=np.random.random((3,4))*2-1#權值的取值範圍為-1~1
W=np.random.random((4,1))*2-1#
 
權值的取值範圍為-1~1
print(V)
print(W)
Y=np.array([[0,1,1,0]])
lr = 0.11 #學習率
n=0 #計算迭代次數
O=0#神經網路輸出
#定義sigmoid函式
def  sigmoid(x):
return 1/(1+np.exp(-x))
#sigmoid的導數
def  dsigmoid(x):
return x*(1-x)
def  update():
global  X,Y,W,V,lr
    L1=sigmoid(np.dot(X,V))#隱含層的輸出，即輸入層的X矩陣和輸入層權值V相乘
L2=sigmoid(np.dot(L1,W))#輸出層的輸出
 
L2_delta = (Y.T-L2)*dsigmoid(L2)
L1_delta = L2_delta.dot(W.T)*dsigmoid(L1)
W_C= lr*L1.T.dot(L2_delta)
V_C= lr*X.T.dot(L1_delta)
W = W+W_C
    V=V+V_C





for i  in range(20000):
update()
if(i%500==0):
L1=sigmoid(np.dot(X,V))#隱含層的輸出，即輸入層的X矩陣和輸入層權值V相乘
L2=sigmoid(np.dot(L1,W))#輸出層的輸出
print('Error:',np.mean(np.abs(
 
Y.T-L2)))
L1=sigmoid(np.dot(X,V))#隱含層的輸出，即輸入層的X矩陣和輸入層權值V相乘
L2=sigmoid(np.dot(L1,W))#輸出層的輸出
print(L2)
def judge(x):
if(x>=0.5):
return 1
else:
return 0
for i in map(judge,L2):
print(i)