# 2019秋　ニューラルネットワーク３層

# 定数・設定値の準備 (表2、表4参照)
NI = 2  # 入力ノードの数
NM = 2  # 中間ノードの数
NC = 4  # 入力パターンの数
X = [[0, 0], [0, 1], [1, 0], [1, 1]]  # 入力値の全組み合わせ

# 「排他的論理和 (XOR)」の重みとバイアスを設定 (表3参照)
WM = [[0.5, 0.5], [-0.5, -0.5]]  # 中間ノード m1, m2 の重み
BM = [-0.2, 0.7]  # 中間ノード m1, m2 のバイアス
WY = [0.5, 0.5]  # 出力ノード y の重み
BY = -0.6  # 出力ノード y のバイアス


def three_layer_perceptron(X, Y):
    # 中間ノードの演算結果を格納する2次元配列 (NC行 × NM列)
    M = [[0 for _ in range(NM)] for _ in range(NC)]

    # 外側のループ: 全入力パターン
    for out in range(NC):
        # [ア] に相当: 出力ノードのテンポラリをバイアスで初期化
        ytemp = BY

        # 中間層の計算ループ
        for mid in range(NM):
            mtemp = BM[mid]

            # 入力層から中間層への総入力計算
            for _in in range(NI):
                # [エ] に相当: 入力値 × 中間層の重み
                mtemp = mtemp + X[out][_in] * WM[mid][_in]

            # [オ] に相当: 中間層の活性化関数 (0より大きいか)
            if mtemp > 0:
                M[out][mid] = 1
            else:
                M[out][mid] = 0

            # [カ], [キ] に相当: 中間層の出力 × 出力層の重みを加算
            ytemp = ytemp + M[out][mid] * WY[mid]

        # 出力層の活性化関数
        if ytemp > 0:
            Y[out] = 1
        else:
            Y[out] = 0


# 実行テスト
Y = [0] * NC  # 出力格納用の配列
three_layer_perceptron(X, Y)

print("--- 3層パーセプトロン (XOR演算) の結果 ---")
for i in range(NC):
    print(f"入力: {X[i]} -> 出力: {Y[i]}")