public Layer(Layer lastLayer, uint countOfNeirons, IFuncOfActivation func) //Для последующих
{
for (int i = 0; i < countOfNeirons; i++)
{
neirons.Add(new Neiron(func));
//Добавление весов в соответсвии с количеством нейронов на прошлом слое
for (int k = 0; k < lastLayer.neirons.Count; k++)
{
Random rand = new Random();
neirons[i].LastChangeWeight.Add(0);
neirons[i].WeightIn.Add(rand.NextDouble());
}
}
}
public Layer(uint countOfInputs, uint countOfNeirons, IFuncOfActivation func) //Для первого скрытого слоя
{
for (int i = 0; i < countOfNeirons; i++)
{
neirons.Add(new Neiron(func));
//Добавление весов в соответствии с количеством входных данных
for (int k = 0; k < countOfInputs; k++)
{
Random rand = new Random();
neirons[i].LastChangeWeight.Add(0);
neirons[i].WeightIn.Add(rand.NextDouble());
}
}
}
//Сеть создается начиная со скрытых слоев
/// <summary>
/// Cписок функций активации(классы с функциями FuncOfActivation() и Deriative())
/// 1.Линейная функция с утечкой: LeakyLinearUnit
/// 2.Логистическая функция: Sigmoid
/// 3.Гиперболический тангенс: Tangh
/// </summary>
public Network(IFuncOfActivation func, double learningRate, double momentum, params uint[] countOfNeironsOnLayers)
{
LearningRate = learningRate;
Momentum = momentum;
Outputs = new List <double>();
layers.Add(new Layer(countOfNeironsOnLayers[0], countOfNeironsOnLayers[1], func)); //Нулевой слой - количество входных данных
for (int i = 2; i < countOfNeironsOnLayers.Length; i++)
{
layers.Add(new Layer(layers[i - 2], countOfNeironsOnLayers[i], func));
}
for (int i = 0; i < layers[layers.Count - 1].neirons.Count; i++) //Добавление выходных данны последнего слоя
{
Outputs.Add(0);
}
CountOfLayers = countOfNeironsOnLayers.Length;
}
internal Neiron(IFuncOfActivation func)
{
this.func = func;
Delta = 0;
}
