import numpy as np

# --- 1. Dữ liệu AND gate ---
X = np.array([[0,0],
              [0,1],
              [1,0],
              [1,1]])
y = np.array([0, 0, 0, 1])  # output AND

# --- 2. Hàm kích hoạt step function ---
def step(x):
    return 1 if x > 0 else 0

# --- 3. Khởi tạo weights và bias ---
np.random.seed(42)
weights = np.random.randn(2)
bias = np.random.randn()
learning_rate = 0.1
epochs = 10

# --- 4. Huấn luyện Perceptron ---
for epoch in range(epochs):
    print(f"Epoch {epoch+1}")
    for xi, yi in zip(X, y):
        z = np.dot(xi, weights) + bias
        y_pred = step(z)
        error = yi - y_pred
        weights += learning_rate * error * xi
        bias += learning_rate * error
        print(f"Input: {xi}, Pred: {y_pred}, Error: {error}, Weights: {weights}, Bias: {bias}")
    print("-"*50)

# --- 5. Test Perceptron ---
print("Testing trained perceptron (AND):")
for xi in X:
    z = np.dot(xi, weights) + bias
    y_pred = step(z)
    print(f"Input: {xi}, Predicted: {y_pred}")


# ===============================================================
# ===============================================================
#                   THÊM CHO OR GATE
# ===============================================================
# ===============================================================

print("\n\n===== OR GATE =====")

# Dữ liệu OR gate
X_or = np.array([[0,0],
                 [0,1],
                 [1,0],
                 [1,1]])
y_or = np.array([0, 1, 1, 1])  # output OR

# Khởi tạo mới weights, bias
weights = np.random.randn(2)
bias = np.random.randn()

# Huấn luyện OR
for epoch in range(epochs):
    for xi, yi in zip(X_or, y_or):
        z = np.dot(xi, weights) + bias
        y_pred = step(z)
        error = yi - y_pred
        weights += learning_rate * error * xi
        bias += learning_rate * error

# Test OR
print("Testing trained perceptron (OR):")
for xi in X_or:
    z = np.dot(xi, weights) + bias
    y_pred = step(z)
    print(f"Input: {xi}, Predicted: {y_pred}")


# ===============================================================
# ===============================================================
#                   THÊM CHO NOT GATE
# ===============================================================
# ===============================================================

print("\n\n===== NOT GATE =====")

# Dữ liệu NOT gate (1 input → output đảo)
X_not = np.array([[0],
                  [1]])
y_not = np.array([1, 0])  # NOT

# Khởi tạo weight, bias (1 chiều)
weight = np.random.randn(1)
bias = np.random.randn()

# Huấn luyện NOT
for epoch in range(epochs):
    for xi, yi in zip(X_not, y_not):
        z = np.dot(xi, weight) + bias
        y_pred = step(z)
        error = yi - y_pred
        weight += learning_rate * error * xi
        bias += learning_rate * error

# Test NOT
print("Testing trained perceptron (NOT):")
for xi in X_not:
    z = np.dot(xi, weight) + bias
    y_pred = step(z)
    print(f"Input: {xi}, Predicted: {y_pred}")

'''
✅ Tóm tắt học thuật:
| Tiêu chí                  | Single Layer Perceptron (SLP)         | Multi-Layer Perceptron (MLP)                                           |
| ------------------------- | ------------------------------------- | ---------------------------------------------------------------------- |
| **Số lớp**                | 1 lớp (input → output)                | Nhiều lớp (input → hidden → output)                                    |
| **Hàm học**               | Tuyến tính                            | Phi tuyến tính (nhờ lớp ẩn và activation)                              |
| **Hàm kích hoạt**         | Step function                         | Sigmoid, ReLU, Tanh hoặc các hàm phi tuyến khác                        |
| **Khả năng học XOR**      | Không                                 | Có                                                                     |
| **Thuật toán huấn luyện** | Perceptron learning rule              | Backpropagation + gradient descent                                     |
| **Ứng dụng**              | Phân loại tuyến tính cơ bản (AND, OR, Not) | Classification, regression, nhận dạng hình ảnh, NLP, dữ liệu phi tuyến |
| **Ưu điểm**               | Đơn giản, dễ hiểu                     | Học được phi tuyến, khả năng biểu diễn cao                             |
| **Hạn chế**               | Chỉ học tuyến tính                    | Dễ overfitting, cần tuning hyperparameters, tốn tài nguyên             |
'''

'''
Epoch không phải là weight hay bias, nhưng về thuật toán học, nó được coi là hyperparameter.
Hyperparameter = tham số do con người đặt trước trước khi huấn luyện (khác với parameter là giá trị học được từ dữ liệu).
Các hyperparameters phổ biến:
  Learning rate (𝜂)
  Batch size
  Số epoch
  Số lớp ẩn, số neuron
  Hàm kích hoạt
Như vậy: Epoch → hyperparameter, ảnh hưởng trực tiếp đến quá trình huấn luyện.
3. Epoch ảnh hưởng đến quá trình học như thế nào
Quá ít epoch → underfitting, model chưa học đủ.
Quá nhiều epoch → overfitting, model nhớ dữ liệu training quá mức, generalization kém.
Kết hợp với learning rate → số epoch quyết định model có hội tụ hay không.
4. Kết luận
Epoch là hyperparameter, nhưng nó không phải parameter học được từ dữ liệu.
Chọn epoch phù hợp = một phần quan trọng trong tuning hyperparameters để đạt hiệu quả tối ưu.
'''