<?php
// 此示例将使用 XOR 数据集，其中负一表示为零，一表示为一百，并演示如何缩放这些值，以便 FANN 可以理解它们，以及如何对 FANN 返回的值进行反缩放，以便您可以理解它们。
// 缩放允许您采用数据集中原始数据数字（如 -1234.975 或 4502012）并将它们转换为人工神经网络可以理解的输入/输出范围。
// 反缩放允许您采用缩放后的数据并将其转换回原始范围。
// scale_test.data
// 注意值是“原始”或未缩放的。
/*
4 2 1
0 0
0
0 100
100
100 0
100
100 100
0
*/
////////////////////
// 配置 ANN //
////////////////////
// 新的 ANN
$ann = fann_create_standard_array(3, [2,3,1]);
// 设置激活函数
fann_set_activation_function_hidden($ann, FANN_SIGMOID_SYMMETRIC);
fann_set_activation_function_output($ann, FANN_SIGMOID_SYMMETRIC);
// 从文件读取原始（未缩放）训练数据
$train_data = fann_read_train_from_file("scale_test.data");
// 将数据范围缩放至 -1 到 1
fann_set_input_scaling_params($ann , $train_data, -1, 1);
fann_set_output_scaling_params($ann , $train_data, -1, 1);
///////////
// 训练 //
///////////
// 推测你会在这里进行训练（取消注释以执行训练）...
// fann_train_on_data($ann, $train_data, 100, 10, 0.01);
// 但这不需要测试缩放，因为在这种情况下，训练文件仅用于计算/导出缩放范围。
// 但是，进行训练会提高 ANN 给出的答案与训练数据的相关性。
//////////
// 测试 //
//////////
$raw_input = array(0, 100); // 测试 XOR (0,100) 输入
$scaled_input = fann_scale_input ($ann , $raw_input); // 缩放的 XOR (-1,1) 输入
$descaled_input = fann_descale_input ($ann , $scaled_input); // 反缩放的 XOR (0,100) 输入
$raw_output = fann_run($ann, $scaled_input); // 从 ANN 获取答案/输出
$output_descale = fann_descale_output($ann, $raw_output); // 反缩放输出
////////////////////
// 报告结果 //
////////////////////
echo '原始输入：' . PHP_EOL;
var_dump($raw_input);
echo '原始输入缩放后又反缩放（值不变/正确）：' . PHP_EOL;
var_dump($descaled_input);
echo '缩放后的输入：' . PHP_EOL;
var_dump($scaled_input);
echo "ANN 的原始输出（缩放后的输入）：" . PHP_EOL;
var_dump($raw_output);
echo '反缩放后的输出：' . PHP_EOL;
var_dump($output_descale);
////////////////////
// 示例输出 //
////////////////////
/*
原始输入：
array(2) {
[0]=>
float(0)
[1]=>
float(100)
}
原始输入缩放后又反缩放（值不变/正确）：
array(2) {
[0]=>
float(0)
[1]=>
float(100)
}
缩放后的输入：
array(2) {
[0]=>
float(-1)
[1]=>
float(1)
}
ANN 的原始输出（缩放后的输入）：
array(1) {
[0]=>
float(1)
}
反缩放后的输出：
array(1) {
[0]=>
float(100)
}
*/