neuralNetworkTests mit Kommentaren

matrix.c

@@ -89,30 +89,6 @@ Matrix broadCastRows(const Matrix matrix, const unsigned int rows,
 }
 
 Matrix add(const Matrix matrix1, const Matrix matrix2) {
-    Matrix result;
-    const int cols1 = matrix1.cols;
-    const int rows1 = matrix1.rows;
-    const int cols2 = matrix2.cols;
-    const int rows2 = matrix2.rows;
-    const int colsEqu = (matrix1.cols == matrix2.cols) ? 1 : 0;
-    const int rowsEqu = (matrix1.rows == matrix2.rows) ? 1 : 0;
-    if(colsEqu && rowsEqu)
-    {
-        Matrix result = createMatrix(matrix1.rows, matrix1.cols);
-        for(int i = 0; i < rows1; i++)
-        {
-            for (int j = 0; j < cols1; j++)
-            {
-                int valueM1 = getMatrixAt(matrix1, i, j);
-                int valueM2 =getMatrixAt(matrix2, i, j);
-                int sum = valueM1 + valueM2;
-                setMatrixAt(sum, result,i,j);
-            }
-        }
-
-<<<<<<< HEAD
-  // Broadcasting nur bei Vektor und Matrix, Fehlermeldung bei zwei unpassenden
-  // Matrizen
 
   const unsigned int rows1 = matrix1.rows;
   const unsigned int rows2 = matrix2.rows;
@@ -233,15 +209,11 @@ Matrix add(const Matrix matrix1, const Matrix matrix2) {
   }
 
   else {
-    printf(
-        "Fehlermeldung"); // vielleicht Fehlermeldung ändern zu Programmabbruch
+    printf("Fehlermeldung"); // vielleicht Fehlermeldung ändern zu
+                             // Programmabbruch
     Matrix error = {0, 0, NULL};
     return error;
   }
-=======
-        return result;
-    }
->>>>>>> 7f3c6d1d3f7d4ee08747df6a4999e1908f5dd56d
 }
 
 Matrix multiply(const Matrix matrix1, const Matrix matrix2) {

neuralNetworkTests.c

@@ -5,28 +5,50 @@
 #include <stdlib.h>
 #include <string.h>
 
+/*typedef struct
+{
+    Matrix weights;
+    Matrix biases;
+    ActivationFunctionType activation;
+} Layer;
+
+typedef struct
+{
+    Layer *layers;
+    unsigned int numberOfLayers;
+} NeuralNetwork;*/
+
+/*Layer: Ebene im neuronalen Netzwerk, besteht aus mehreren Neuronen
+Input-Layer: Eingabedatei
+Hidden-Layer: verarbeiten die Daten
+Output-Layer: Ergebnis
+
+
+Gewichte: bestimmen, wie stark ein Eingangssignal auf ein Neuron wirkt
+
+Dimension: Form der Matrizen für einen Layer*/
+
+// speichert NeuralNetwork nn in binäre Datei->erzeugt Dateiformat
 static void prepareNeuralNetworkFile(const char *path, const NeuralNetwork nn) {
-  FILE *f = fopen(path, "wb");
+  FILE *f = fopen(path, "wb"); // Binärdatei zum Schreiben öffnen
   if (f == NULL)
     return;
 
-  /* 1) Header: exakt das String, ohne '\n' oder abschließendes '\0' */
+  // Header ist Erkennungsstring am Anfang der Datei, loadmodel erkennt
+  // Dateiformat
   const char header[] = "__info2_neural_network_file_format__";
   fwrite(header, sizeof(char), strlen(header), f);
 
-  /* Wenn es keine Layer gibt, kein Dimensionspaar schreiben (loadModel
-     wird beim Lesen dann 0 zurückgeben). Aber wir können auch frühzeitig
-     mit einem 0-Int terminieren — beides ist in Ordnung. */
+  // Wenn es keine Layer gibt, 0 eintragen, LoadModel gibt 0 zurück
   if (nn.numberOfLayers == 0) {
-    /* optional: schreibe ein 0 als next outputDimension (nicht nötig) */
     int zero = 0;
     fwrite(&zero, sizeof(int), 1, f);
     fclose(f);
     return;
   }
 
-  /* 2) Für die erste Layer schreiben wir inputDimension und outputDimension */
-  /* inputDimension == weights.cols, outputDimension == weights.rows */
+  // Layer 0, inputDimension: Anzahl Input-Neuronen, outputDimension: Anzahl
+  // Output-Neuronen
   int inputDim = (int)nn.layers[0].weights.cols;
   int outputDim = (int)nn.layers[0].weights.rows;
   fwrite(&inputDim, sizeof(int), 1, f);