import numpy as np
 
#Нормализация и денормализация данных
def usual_to_norm(x):
    return (x - min_all)*(1-0)/(max_all - min_all) + 0
def norm_to_usual(x):
    return (x - 0)*(max_all - min_all)/(1-0) + min_all
 
# Сигмоида 
def nonlin(x,deriv=False):
    if(deriv==True):
        return x*(1-x)
    return 1/(1+np.exp(-x))
 
#Исходные данные
data_input = np.zeros((4,3))
data_input2 = np.array([[1,2,3],
                        [4,5,6],
                        [7,8,9],
                        [4,3,2]])
 
#Выходные данные для обучения, 4*a+b-2*c
data_output = np.zeros(4)
data_output2 = np.array([0,9,18,15])
 
#Данные для прогноза
l_progn = np.zeros(3)
l_progn2 = np.array([5,1,9])
 
#Нормализация данных
min_all = min(data_input2.min(),data_output2.min(),l_progn2.min())
max_all = max(data_input2.max(),data_output2.max(),l_progn2.max())
 
for i in range(4):
    for j in range(3):
        data_input[i,j] = usual_to_norm(data_input2[i,j])
for j in range(4):
    data_output[j] = usual_to_norm(data_output2[j])
for j in range(3):
    l_progn[j] = usual_to_norm(l_progn2[j])
 
#Транспонирование выходных данных
data_output = data_output[:,None]
 
#Начальные веса выставлены в 0
syn0 = np.array([[0,0,0]], float).T
 
#Обучение
for i in range(1000000):
    # прямое распространение
    l0 = data_input
    l1 = nonlin(np.dot(l0,syn0))
 
    # насколько мы ошиблись?
    l1_error = data_output - l1
 
    # перемножим это с наклоном сигмоиды 
    # на основе значений в l1
    l1_delta = l1_error * nonlin(l1,True)
 
    # обновим веса
    syn0 += np.dot(l0.T,l1_delta)
 
print("Веса")
print(syn0)
print("Выход после обучения:")
print(norm_to_usual(l1))
print("Пргноз для: ", l_progn2)
print(norm_to_usual(nonlin(np.dot(l_progn,syn0))))
print("Должен быть: ", 4*l_progn2[0]+l_progn2[1]-2*l_progn2[2])