Igor-kr/OOP/task/7/TASK.md

Постановка Мы создаем упрощенную версию нейронной сети, которая умеет классифицировать данные на несколько категорий сразу.

• Нейрон (Neuron): Теперь это отдельный объект, хранящий свои уникальные веса и смещение (bias). Умеет вычислять активацию и корректировать веса методом градиентного спуска.
• Слой (Layer): Содержит список объектов Neuron. Управляет передачей сигналов всем нейронам сразу.
• Тренер (Trainer): Обучает слой, минимизируя среднюю ошибку по всем нейронам.

Задание

Класс Neuron:

1. Создайте класс Neuron.
2. В __init__(self, inputs_count, learning_rate) инициализируйте weights (список случайных значений, например 0.1) и bias (смещение, начните с 0.0).
3. Метод predict(self, inputs): верните сумму произведений (входы * веса) + bias.
4. Метод train(self, inputs, target):

• Вычислите prediction = self.predict(inputs).
• Вычислите error = target - prediction.
• Обновите веса: w = w + (error * input * lr).
• Обновите смещение: bias = bias + (error * lr).

Класс Layer:

1. Создайте класс Layer.
2. В __init__(self, neurons_count, inputs_count, learning_rate) создайте список neurons, заполнив его neurons_count объектами класса Neuron.
3. Метод forward(self, inputs): возвращает список предсказаний каждого нейрона.
4. Метод train_layer(self, inputs, targets): принимает список правильных ответов (для каждого нейрона свой). Проходит циклом по нейронам и вызывает у каждого метод train с соответствующим target.

Класс Trainer:

1. Создайте класс Trainer.
2. Метод fit(self, layer, dataset, epochs):

• Внешний цикл for epoch in range(epochs).
• Внутренний цикл по датасету: берет inputs и список targets.
• Вызывает layer.train_layer(inputs, targets).
• (Опционально) Каждую 10-ю эпоху выводить среднюю ошибку по слою.

Тесты:

1. Создайте слой из 2 нейронов (каждый принимает 3 входа).
2. Создайте датасет: 3 примера, где каждый пример имеет 3 входа и 2 целевых значения.
3. Обучите слой в течение 200 эпох.
4. После обучения выведите результат предсказания для нового входа [0.5, 0.2, 0.1].