/// <summary>
/// Wykonuje algorytm feedforwardu dla sieci neuronowej czyli sieć dostaje inputy i zwraca output taki jaki myśli że by był.
/// </summary>
/// <param name="inputs">Inputy dla sieci neuronowej.</param>
/// <returns>Zwraca output jaki sieć neuronowa myśli że by był dla podanych inputów.</returns>
public float[] Feedforward(float[] inputs)
{
if (inputs.Length != InputsLayerSize)
{
throw new ArgumentException("Liczba inputów jest nieprawidłowa z liczbą inputów jaką przyjmuje sieć neuronowa.");
}
Matrix mInputs = Matrix.Transpose(Matrix.FromOneDimensionArray(inputs));
Matrix hiddenOutput = Matrix.Multiply(weightsIh, mInputs);
if (AddBias)
{
hiddenOutput.Add(biasH);
}
hiddenOutput.Foreach((f) => HiddenLayerActivationFunction.Invoke(f));
Matrix outputOutput = Matrix.Multiply(weightsHo, hiddenOutput);
if (AddBias)
{
outputOutput.Add(biasO);
}
outputOutput.Foreach((f) => OutputLayerActivationFunction.Invoke(f));
return(outputOutput.ToOneDimensionArray());
}
/// <summary>
/// Wykonuje algorytm wstecznej propagacji błędów dla sieci neuronowej.
/// </summary>
/// <param name="inputs">Inputy.</param>
/// <param name="answers">Poprawne outputy.</param>
public void Backpropagation(float[] inputs, float[] answers)
{
if (inputs.Length != InputsLayerSize)
{
throw new ArgumentException("Liczba inputów jest nieprawidłowa z liczbą inputów jaką przyjmuje sieć neuronowa.");
}
if (answers.Length != OutputsLayerSize)
{
throw new ArgumentException("Liczba odpowiedzi jest nieprawidłowa z liczbą outputów sieci neuronowej.");
}
Matrix mInputs = Matrix.Transpose(Matrix.FromOneDimensionArray(inputs));
Matrix mAnswers = Matrix.Transpose(Matrix.FromOneDimensionArray(answers));
Matrix hiddenOutput = Matrix.Multiply(weightsIh, mInputs);
if (AddBias)
{
hiddenOutput.Add(biasH);
}
hiddenOutput.Foreach((f) => HiddenLayerActivationFunction.Invoke(f));
Matrix outputOutput = Matrix.Multiply(weightsHo, hiddenOutput);
if (AddBias)
{
outputOutput.Add(biasO);
}
outputOutput.Foreach((f) => OutputLayerActivationFunction.Invoke(f));
Matrix outputError = Matrix.Subtract(mAnswers, outputOutput);
Matrix tWeightsHo = Matrix.Transpose(weightsHo);
Matrix hiddenError = Matrix.Multiply(tWeightsHo, outputError);
Matrix gradientOutput = Matrix.Foreach(outputOutput, OutputLayerDerivativeFunction);
gradientOutput.Multiply(outputError);
gradientOutput.Multiply(LearningRate);
Matrix gradientHidden = Matrix.Foreach(hiddenOutput, HiddenLayerDerivativeFunction);
gradientHidden.Multiply(hiddenError);
gradientHidden.Multiply(LearningRate);
Matrix tHiddenOutput = Matrix.Transpose(hiddenOutput);
Matrix deltaWeightsHo = Matrix.Multiply(gradientOutput, tHiddenOutput);
weightsHo.Add(deltaWeightsHo);
Matrix tInputs = Matrix.Transpose(mInputs);
Matrix deltaWeightsIh = Matrix.Multiply(gradientHidden, tInputs);
weightsIh.Add(deltaWeightsIh);
}