import numpy as np

# Zdefiniujmy funkcję aktywacji sigmoid
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# Zdefiniujmy naszą sieć neuronową
class NeuralNetwork:
    def __init__(self):
        # Ustawiamy losowe wagi początkowe
        self.weights = np.random.rand(2, 1)

    def feedforward(self, inputs):
        # Mnożymy wagi przez wejścia
        # i zastosowujemy funkcję aktywacji sigmoid
        return sigmoid(np.dot(inputs, self.weights))

    def train(self, inputs, labels, epochs):
        for epoch in range(epochs):
            # Feedforward dla każdego wejścia
            prediction = self.feedforward(inputs)

            # Obliczenie błędu
            error = labels - prediction

            # Korekta wag
            adjustment = np.dot(inputs.T, error * prediction * (1 - prediction))
            self.weights += adjustment

# Testowanie naszej sieci neuronowej
nn = NeuralNetwork()

# Przykładowe dane
inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
labels = np.array([[0], [1], [1], [0]])

# Trenujemy naszą sieć
nn.train(inputs, labels, 10000)

# Testujemy naszą sieć na nowych danych
new_inputs = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])
predictions = nn.feedforward(new_inputs)

# Wyświetlamy wyniki
print(predictions)