from pybrain.structure import RecurrentNetwork, FullConnection, LinearLayer, SigmoidLayer
from pybrain.datasets import SupervisedDataSet
from pybrain.supervised.trainers import BackpropTrainer

#1)
from pybrain.tools.shortcuts import buildNetwork
from pybrain.structure import TanhLayer, SoftmaxLayer
net = buildNetwork(2, 3, 2, hiddenclass=TanhLayer, outclass=SoftmaxLayer)
"""
 Сеть рандомна инициализирована, проверим ее
"""
print('act', net.activate((2,

from pybrain.tools.shortcuts import buildNetwork
from pybrain.structure import SigmoidLayer
from pybrain.datasets import SupervisedDataSet

import numpy as np
from util import get_logger
import logging
 
Forward=1
Backward=-1
import math
import matplotlib.pyplot as plt
 
def plot(_file:str,x:list,y:list,logger:logging.Logger)->None:
    
    fig:plt.Figure=None
    ax:plt.Axes=None
    fig,

import logging
import keras
from consts import stop,nparray,make_net,determe_X_Y,push_obj,predict,push_i,push_str, \
    plot_train,sav_model_wei,sav_model,fit_net,get_mult_class_matr,cr_callback_wi_loss_treshold_and_acc_shure,

import numpy as np
np.random.seed(0)
# Берем квадратное изображение 3x3 заполняем
# числами от 0 до 20,вытягиваем

"""
   Трехслойный перпецетрон

 grads_out_nn=delta_out*self.nonlin(self.e2,deriv=True)*\
 self.e2 # Вот этого не было,ошибка иногда росла,иногда уменьшалась

import numpy as np
import matplotlib.pyplot as plt
# Зерно для генератора
np.random.seed(150) 
 
# Сигмоида 
def nonlin(x,deriv=False):
    if(deriv):
        return x*(1-x)
    return 1.0/(1.0+np.exp(-x))
 
#Исходные данные
# Это целый train

"""
   Трехслойный перпецетрон
"""
 
import numpy as np
# Зерно для генератора
np.random.seed(150) 
 
class NN:
 
  def nonlin(self,sygnals,deriv=False):
  
     if deriv:
           return sygnals*(1-sygnals)
 
     return 1 /