//непосредственно обучение
public double Train() //backpropagation method
{
var temp_mses = new double[4]; //массив для хранения ошибок итераций
double temp_cost = 0; //текущее значение ошибки по эпохе
do
{
int i = 0;
foreach (var kvp in input_layer.TrainSet)
{
//прямой проход
hidden_layer.Data = kvp.Key;
hidden_layer.Recognize(null, output_layer);
output_layer.Recognize(this, null);
//вычисление ошибки по итерации
var errors = new double[kvp.Value.Length];
for (var x = 0; x < errors.Length; ++x)
{
errors[x] = kvp.Value[x] - fact[x];
}
temp_mses[i] = GetMSE(errors);
//обратный проход и коррекция весов
double[] temp_gsums = output_layer.BackwardPass(errors);
hidden_layer.BackwardPass(temp_gsums);
i++;
}
temp_cost = GetCost(temp_mses); //вычисление ошибки по эпохе
OnErrorChanged(temp_cost);
//debugging
WriteLine($"{temp_cost}");
} while (temp_cost > Threshold);
//загрузка скорректированных весов в "память"
hidden_layer.WeightInitialize(MemoryMode.Set, nameof(hidden_layer));
output_layer.WeightInitialize(MemoryMode.Set, nameof(output_layer));
OnNetworkTrained();
return(temp_cost);
}
