rng(0)     % seed: random number generator -> reprodukálhatóság érdekében

% Beolvassuk az adatokat, formátum: imageDatastore
% Célváltozó: az alkönyvtár neve

imds=imageDatastore('att_faces',...
    'IncludeSubfolders',true,'FileExtensions','.pgm','LabelSource','foldernames');

% Nézzünk meg egy képet:

imshow(imds.Files{131})         % 400 kép összesen

% Elkészítjük a tanító- és teszthalmazt: minden személy első 7 képe
% tanítóadat, a maradék 3 tesztadat.

[imds1,imds2] = splitEachLabel(imds,7); 

% Definiáljuk a rétegeket: 

% Az első kötelezően az input réteg 
% paraméterei a képek mérete, ill a képcsatornák száma.
% Az utolsó fullyconnectedlayer paramétere kötelezően az osztályok száma.

layers = [imageInputLayer([112 92 1])
          convolution2dLayer(5,6,'Padding',2)
          %batchNormalizationLayer             % ilyen is lehet benne
          reluLayer
          maxPooling2dLayer(4,'Stride',2)
          convolution2dLayer(5,20,'Padding',2)
          reluLayer
          maxPooling2dLayer(4,'Stride',2)
          dropoutLayer(.4)
          fullyConnectedLayer(80)
          fullyConnectedLayer(40)
          softmaxLayer
          classificationLayer()];
     
     
 % Tanítási paraméterek megadása:
 
 options = trainingOptions('sgdm','MaxEpochs',50, ...
	'InitialLearnRate',0.001,'LearnRateSchedule','piecewise',...
    'LearnRateDropFactor', 0.6, ... 
    'LearnRateDropPeriod', 5,'MinibatchSize',40,...
    'L2Regularization',0.005,'Plots','training-progress');

% Betanítás:

convnet = trainNetwork(imds1,layers,options);

% Tanítás után: parancsablakba gépelve, hogy convnet, információt kapunk a
% hálózatról. A convnet.Layers parancsot beírva részletes leírást kapunk a
% rétegekről. 
% Sorok elején lévő számok segítségével hivatkozhatunk a rétegekre.
% Pl. konvolúciós rétegek: 2 és 5.

% Mesterségesen is állíthatjuk a kezdősúlyokat: pl. 
% layers(2).Weights = gpuArray(single(unifrnd(-0.05,0.05,[5 5 1 6])));
% layers(5).Weights = gpuArray(single(unifrnd(-0.05,0.05,[5 5 6 20])));

% Ha a gépünk nem alkalmas arra, hogy GPU-n számoljon, akkor: 
% layers(2).Weights = unifrnd(-0.05,0.05,[5 5 1 6]);
% layers(5).Weights = unifrnd(-0.05,0.05,[5 5 6 20]);


% Tesztelés, tanítóképeken:

predTrain=classify(convnet,imds1);
 
% Pontosság a tanítóhalmazon:

accuracy1=sum(imds1.Labels==predTrain)/numel(predTrain) 

% Tesztelés a tesztképeken:

predTraint=classify(convnet,imds2);

% Pontosság a teszthalmazon:

accuracy2=sum(imds2.Labels==predTraint)/numel(predTraint)