import random
import math

#Παραδείγματα συνδυασμών εισόδου από το αρχείο δεδομένων μας.
# Με τα παραδείγματα αυτά θα τεστάρουμε πόσο σωστά λειτουργεί η πρόβλεψη του νευρωνικού δικτύου.
# Σειρά τιμών: "RAIN",    "NIGHT",    "LIGHTING",    "VISIBILITY",    "SPEED",    "SURFACE"
# Target: η αναμενόμενη (σωστή) τιμή για danger score
inputs1 =  [0.4, 0, 0.5 , 0, 0.06, 1]
target1 = 0.37
inputs2 =  [0.1, 0, 1, 0, 0.54, 0.57]
target2 = 0.47
inputs3 =  [1, 1, 0.5, 0, 0.76, 0.71]
target3 = 0.84
inputs4 = [0.3, 0, 0, 0.01, 0.27, 0]
target4 = 0.14

# Το νευρωνικό δίκτυο θα έχει
# 6 inputs
# 32 hidden layer1 nodes
# 16 hidden layer2 nodes
# 1 output node

def initialize_weights_randomly():
    for i in range(32):
        bh1.append(random.uniform(-0.5, 0.5))
        row = []
        for j in range(6):
            row.append(random.uniform(-0.5, 0.5))
        wih1.append(row)

    for i in range(16):
        bh2.append(random.uniform(-0.5, 0.5))
        wh2o.append(random.uniform(-0.5, 0.5))
        row = []
        for j in range(32):
            row.append(random.uniform(-0.5, 0.5))
        wh1h2.append(row)

def sigmoid(x):
    return 1 / (1 + math.exp(-x))

def relu(x):
  if x>0 :
    return x
  else :
    return 0.001*x

    
def calculate_hidden1():
    
    
def calculate_hidden2():


def calculate_output():
 



######## KΥΡΙΩΣ ΠΡΟΓΡΑΜΜΑ ##########
inp = []            # input κόμβοι
h1 = []             # hidden layer1 κόμβοι
h2 = []             # hidden layer2 κόμβοι

wih1 = []           # βάρη inputs προς hidden1
bh1 = []            # biases των hidden1 κόμβων

wh1h2 = []    # βάρη hidden1 προς hidden2
bh2 = []         # biases των hidden2 κόμβων

wh2o = []       # βάρη hidden2 προς output
bo =  random.uniform(-0.5, 0.5)           # bias του output κόμβου

# μεταβλητές για τον υπολογισμό του μέσου τετραγωνικού σφάλματος
mse = 0
count = 0

# τυχαίες αρχικές τιμές στα βάρη
.........

# τοποθετούμε στους input κομβους την πρώτη λίστα τιμών:
for i in range(6):
    inp.append(inputs1[i])

# ακολουθεί η πρόβλεψη του σκορ κινδύνου από το νευρωνικό δίκτυο:
# υπολογίζει hidden1, υπολογίζει hidden2, υπολογίζει output
........
.......
.......

# υπολογίζουμε το λάθος που έχει κάνει
error = ........
print("output: ", outp, "  target: ", target1, "  error: ", error)

# προσθέτουμε το λάθος στο Μέσο Τετραγωνικό Λάθος
mse = mse + error**2
count = count + 1

# τοποθετούμε στους input κομβους την δεύτερη λίστα τιμών:
inp = []
h1 = []
h2 = []
for i in range(6):
    inp.append(inputs2[i])

# ακολουθεί η πρόβλεψη του σκορ κινδύνου από το νευρωνικό δίκτυο:
# υπολογίζει hidden1, υπολογίζει hidden2, υπολογίζει output
.......
......
......

# υπολογίζουμε το λάθος που έχει κάνει
.......
print("output: ", outp, "  target: ", target2, "  error: ", error)

# προσθέτουμε το λάθος στο Μέσο Τετραγωνικό Λάθος
mse = mse + error**2
count = count + 1

# τοποθετούμε στους input κομβους την τρίτη λίστα τιμών:
inp = []
h1 = []
h2 = []
for i in range(6):
    inp.append(inputs3[i])

# ακολουθεί η πρόβλεψη του σκορ κινδύνου από το νευρωνικό δίκτυο:
# υπολογίζει hidden1, υπολογίζει hidden2, υπολογίζει output
........
........
........

# υπολογίζουμε το λάθος που έχει κάνει
......
print("output: ", outp, "  target: ", target3, "  error: ", error)

# προσθέτουμε το λάθος στο Μέσο Τετραγωνικό Λάθος
mse = mse + error**2
count = count + 1

# τοποθετούμε στους input κομβους την τέταρτη λίστα τιμών:
inp = []
h1 = []
h2 = []
for i in range(6):
    inp.append(inputs4[i])

# ακολουθεί η πρόβλεψη του σκορ κινδύνου από το νευρωνικό δίκτυο:
# υπολογίζει hidden1, υπολογίζει hidden2, υπολογίζει output
.......
.......
.......

# υπολογίζουμε το λάθος που έχει κάνει
.......
print("output: ", outp, "  target: ", target4, "  error: ", error)

# προσθέτουμε το λάθος στο Μέσο Τετραγωνικό Λάθος
mse = mse + error**2
count = count + 1

mse = mse / count
print("MSE: ", mse)