import numpy as np
import matplotlib.pyplot
import scipy.special



class neuralNetwork:

    # initialise the neural network
    def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
        # 输入层节点数量
        self.inodes = inputnodes
        # 隐藏层节点数量
        self.hnodes = hiddennodes
        # 输出层节点数量
        self.onodes = outputnodes

        # 链接权重矩阵，wih 和 who
        # 数组中的权重是w_i_j，其中的链接是节点i到j
        # w11 w21
        # w12 w22  etc
        self.wih = np.random.normal(0.0, pow(self.hnodes, -0.5), (self.hnodes, self.inodes))
        self.who = np.random.normal(0.0, pow(self.onodes, -0.5), (self.onodes, self.hnodes))

        # 学习率
        self.lr = learningrate

        # 激活函数为sigmoid函数
        self.activation_function = lambda x: scipy.special.expit(x)

        pass

        # 训练神经网络
    def train(self, inputs_list, targets_list):
        # 将列表转为二维数组
        inputs = np.array(inputs_list, ndmin=2).T
        targets = np.array(targets_list, ndmin=2).T

        # 计算到隐藏层的信号
        hidden_inputs = np.dot(self.wih, inputs)
        # 计算隐藏层产生的信号
        hidden_outputs = self.activation_function(hidden_inputs)

        # 计算到输出层的信号
        final_inputs = np.dot(self.who, hidden_outputs)
        # 计算输出层产生的信号
        final_outputs = self.activation_function(final_inputs) \
        # 输出层的错误是（目标-实际）
        output_errors = targets - final_outputs
        # 隐藏层错误是输出错误，在隐藏层节点上按权重重新组合
        hidden_errors = np.dot(self.who.T, output_errors)

        # 更新隐藏层和输出层之间的关联权重
        self.who += self.lr * np.dot((output_errors * final_outputs * (1.0 - final_outputs)),
                                         np.transpose(hidden_outputs))

        # 更新隐藏层和输入层之间的关联权重
        self.wih += self.lr * np.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)),
                                         np.transpose(inputs))

        pass

    # 查询神经网络
    def query(self, inputs_list):
        # 将列表转为二维数组
        inputs = np.array(inputs_list, ndmin=2).T

        # 计算到隐藏层的信号
        hidden_inputs = np.dot(self.wih, inputs)
        # 计算隐藏层产生的信号
        hidden_outputs = self.activation_function(hidden_inputs)

        # 计算到输出层的信号
        final_inputs = np.dot(self.who, hidden_outputs)
        # 计算输出层产生的信号
        final_outputs = self.activation_function(final_inputs)

        return final_outputs


#设置每次的节点数量
input_nodes = 784
hidden_nodes = 200
output_nodes = 10

# 学习率
learning_rate = 0.1

#创建神经网络实例
n = neuralNetwork(input_nodes, hidden_nodes, output_nodes, learning_rate)


# #输入训练数据到一个列表
training_data_file = open("mnist_train.csv", 'r')
training_data_list = training_data_file.readlines()
training_data_file.close()


# 训练神经网络

# epochs是训练数据集用于训练的次数
epochs = 5

for e in range(epochs):
    # 遍历训练数据集中的所有记录
    for record in training_data_list:
        #用','逗号分隔记录
        all_values = record.split(',')
        #缩放和移动输入
        inputs = (np.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
        #创建目标输出值(所有0.01，除非需要的标签是0.99)
        targets = np.zeros(output_nodes) + 0.01
        # all_values[0]是该记录的目标标签
        targets[int(all_values[0])] = 0.99
        n.train(inputs, targets)
        pass
    pass


#输入测试数据到一个列表中
test_data_file = open("mnist_test.csv", 'r')
test_data_list = test_data_file.readlines()
test_data_file.close()


#测试神经网络

#数据网络表现情况分数，最初是空的
scorecard = []

#遍历测试数据集中的所有记录
for record in test_data_list:
    #用','逗号分隔记录
    all_values = record.split(',')
    #正确答案是第一个值
    correct_label = int(all_values[0])
    # 缩放和移动输入
    inputs = (np.asfarray(all_values[1:]) / 255.0 * 0.99) + 0.01
    #查询网络
    outputs = n.query(inputs)
    #最大值的索引对应于标签
    label = np.argmax(outputs)
    #将正确或错误添加到列表
    if (label == correct_label):
        # 网络答案匹配正确答案，加1到记分卡
        scorecard.append(1)
    else:
        #网络答案不匹配正确答案，加0到记分卡
        scorecard.append(0)
        pass

    pass


#计算成绩，正确答案的比例
scorecard_array = np.asarray(scorecard)
print("performance = ", scorecard_array.sum() / scorecard_array.size)