"""
        sieć RBF za pomocą biblioteki KERAS
"""

!pip install tensorflow==1.14.0
!pip install -U keras
!git clone https://github.com/PetraVidnerova/rbf_keras.git
!import sys
!sys.path.append('/content/rbf_keras')

import numpy as np
import matplotlib.pyplot as plt

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.optimizers import RMSprop
from rbflayer import RBFLayer, InitCentersRandom

# generowanie 100 danych 2-elementowych oraz 100 wyjść sieci dla nich:
# - indeksy [0-32] to wartości około -1000, klasa [1,0,0]
# - indeksy [33-65] to wartości około -1000, klasa [0,1,0]
# - indeksy [66-99] to wartości około -1000, klasa [0,0,1]
def generate_data():
    X = np.empty([100, 2])
    Y = np.zeros([100, 3])

    for i in range(100):
        if i >= 0 and i < 33:
            Y[i][0] = 1
            X[i] = np.random.random(2)-1000
        if i >= 33 and i < 66:
            Y[i][1] = 1
            X[i] = np.random.random(2)
        if i >= 66 and i < 100:
            Y[i][2] = 1
            X[i] = np.random.random(2)+1000

    return X, Y


x,y = generate_data()

# tworzymy sieć z 2 neuronami wejściowymi, 2 neuronami radialnymi oraz 3 neuronami wyjściowymi, gdzie następuje klasyfikacja
# należy pamiętać o zainicjowaniu centrów (argument initializer) w pobliżu X
model = Sequential()
model.add(RBFLayer(2, initializer=InitCentersRandom(x), input_shape=(2,)))
model.add(Dense(3, activation='softmax'))

print(model.summary())

# funkcja straty - kwadrat różnic (czyli suma (y_pred - y_true)**2)
model.compile(optimizer=RMSprop(), loss='mean_squared_error')
model.fit(x,y,batch_size=5, epochs=50)

# przewidywanie wyjścia sieci na podstawie danych wejściowych w postaci 2 wartości około 0
print(model.predict([[np.random.random(2)]]))