# -*- coding: utf-8 -*-
# %%
import numpy as np
import nnwplot
import matplotlib.pyplot as plt

# %% ErrorRate
def ErrorRate(Y,T):
    if Y.ndim==1 or Y.shape[0]==1:
        errors=Y!=T
        return errors.sum()/Y.size
    else: # für mehrere Ausgaben in one-hot Kodierung:
        errors=Y.argmax(0)!=T.argmax(0)
        return errors.sum()/Y.shape[1]

# %%
class SLN:
    def __init__(self, dIn, cOut): # Konstruktor
        np.random.seed(42)
        self._b=np.zeros((cOut,1))
        self._W=np.random.randn(cOut,dIn)/np.sqrt(dIn+1)

    def neuron(self, X):
        N = X.shape[1]
        net = np.zeros(N)

        for n in range(0,N):
            for j in range(0,X.shape[0]):
                # print(self._W)
                net[n]+= X[j,n] * self._W[j]
                
        # b verwenden ...
        net += self._b
        return net > 0 # threshold ....
    
    # def DeltaTrain(self, X, T, eta, maxIter, maxErrorRate):
    #     N=X.shape[1]    # Anzahl Trainingsdaten
    #     plt.ion() # interactive mode on
    #     for it in range(maxIter):
    #         Y = ... # nur ein Aufruf
    #         err = ErrorRate(..., ...)
    #         if (it%20) == 0:
    #             print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
    #             nnwplot.plotTwoFeatures(...)
    #             plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
    #         if err <= maxErrorRate:
    #             break
    #         # update _W
    #         ...
    #         # update _b 
    #         ...
    #     print('#{} err:{}\n{}\n{}'.format(it,err,self._W,self._b))
    #     nnwplot.plotTwoFeatures(...)
    #     plt.pause(0.05) # warte auf GUI event loop (je nach python Version notwendig oder nicht)
    #
    #     input("Press Enter to continue...") # wenn gewünscht ...
# %%


# %%