<?php
// 這個範例會使用 XOR 資料集，其中負一表示為零，
// 而一表示為一百，並示範如何縮放這些值，以便
// FANN 可以理解它們，然後如何取消縮放 FANN 返回的值，以便您可以理解它們。
// 縮放允許您取得資料集中像 -1234.975 或 4502012 這樣的原始資料數字，
// 並將它們轉換為您的神經網路可以理解的輸入/輸出範圍。
// 取消縮放可讓您取得縮放的資料，並將其轉換回原始範圍。
// scale_test.data
// 請注意，這些值是「原始」或未縮放的。
/*
4 2 1
0 0
0
0 100
100
100 0
100
100 100
0
*/
////////////////////
// 配置 ANN //
////////////////////
// 新的 ANN
$ann = fann_create_standard_array(3, [2,3,1]);
// 設定啟動函式
fann_set_activation_function_hidden($ann, FANN_SIGMOID_SYMMETRIC);
fann_set_activation_function_output($ann, FANN_SIGMOID_SYMMETRIC);
// 從檔案讀取原始 (未縮放) 的訓練資料
$train_data = fann_read_train_from_file("scale_test.data");
// 將資料範圍縮放為 -1 到 1
fann_set_input_scaling_params($ann , $train_data, -1, 1);
fann_set_output_scaling_params($ann , $train_data, -1, 1);
///////////
// 訓練 //
///////////
// 推測您會在這邊訓練 (取消註解以執行訓練)...
// fann_train_on_data($ann, $train_data, 100, 10, 0.01);
// 但這不是測試縮放所需的，因為在這種情況下，訓練檔
// 僅用於計算/推導縮放範圍。
// 但是，執行訓練會改進 ANN 在相關訓練資料中給出的答案。
//////////
// 測試 //
//////////
$raw_input = array(0, 100); // 測試 XOR (0,100) 輸入
$scaled_input = fann_scale_input ($ann , $raw_input); // 縮放的 XOR (-1,1) 輸入
$descaled_input = fann_descale_input ($ann , $scaled_input); // 取消縮放的 XOR (0,100) 輸入
$raw_output = fann_run($ann, $scaled_input); // 從 ANN 取得答案/輸出
$output_descale = fann_descale_output($ann, $raw_output); // 取消縮放輸出
////////////////////
// 報告結果 //
////////////////////
echo 'The raw_input:' . PHP_EOL;
var_dump($raw_input);
echo 'The raw_input Scaled then De-Scaled (values are unchanged/correct):' . PHP_EOL;
var_dump($descaled_input);
echo 'The Scaled input:' . PHP_EOL;
var_dump($scaled_input);
echo "The raw_output of the ANN (Scaled input):" . PHP_EOL;
var_dump($raw_output);
echo 'The De-Scaled output:' . PHP_EOL;
var_dump($output_descale);
////////////////////
// 範例輸出 //
////////////////////
/*
The raw_input:
array(2) {
[0]=>
float(0)
[1]=>
float(100)
}
The raw_input Scaled then De-Scaled (values are unchanged/correct):
array(2) {
[0]=>
float(0)
[1]=>
float(100)
}
The Scaled input:
array(2) {
[0]=>
float(-1)
[1]=>
float(1)
}
The raw_output of the ANN (Scaled input):
array(1) {
[0]=>
float(1)
}
The De-Scaled output:
array(1) {
[0]=>
float(100)
}
*/