import matplotlib.pyplot as plt
import numpy as np

import nnwplot


def error_rate(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):
        self.dIn = dIn
        self.cOut = cOut
        np.random.seed(42)
        self._b = np.zeros((cOut, 1))
        self._W = np.random.randn(dIn, cOut) / np.sqrt(dIn + 1)

    def neuron(self, X):
        net = self._W.T.dot(X) + self._b

        return net >= 0

    def delta_train(self, X, T, eta, maxIter, maxErrorRate):
        N = X.shape[1]  # Anzahl Trainingsdaten
        plt.ion()  # interactive mode on
        for it in range(maxIter):
            Y = self.neuron(X)  # nur ein Aufruf
            err = error_rate(Y, T)
            # if (it % 10) == 0:
            print('#{} err:{}\n{}\n{}'.format(it, err, self._W, self._b))
            nnwplot.plotTwoFeatures(X, T, self.neuron)
            plt.pause(0.05)  # warte auf GUI event loop (je nach python Version notwendig oder nicht)
            if err <= maxErrorRate:
                break

            delta = T - Y
            self._W += X.dot(delta.T) * eta
            self._b += delta.sum() * eta

        print('#{} err:{}\n{}\n{}'.format(it, err, self._W, self._b))
        nnwplot.plotTwoFeatures(X, T, self.neuron)
        plt.pause(0.05)  # warte auf GUI event loop (je nach python Version notwendig oder nicht)