#!/usr/bin/python3
# -*- coding: utf-8 -*-
"""
Perceptrón para reconocer imágenes de cifras. 
"""

import httpimport
with httpimport.remote_repo('https://personales.unican.es/crespoj/redes/redespytorch.zip'):
    import lecturaurl
    import lectura
    import particion
    import tipored
    import ajuste
    import registro
    import torch
    import numpy
    import error
    import random
    from torch import nn
    import activaciones

GPU= torch.cuda.is_available()

datos,datpru=lecturaurl.leemat('mnist_uint8.mat','train_x','train_y','test_x','test_y')

numvarent=len(datos[0])-10
numuestras=len(datos)

#Son 784 píxels: no podemos analizar cada variable pixel por separado, pero podemos usar su distribucion
frel,vals=lectura.grafica(list(range(numvarent)),datos,False)

#Podemos analizar el conjunto de píxels. Comenta este bloque cuando ya lo hayas hecho
pixels=datos[:,:-10][:].reshape((-1,1))
lectura.estadistica(['pixels'],pixels)
lectura.mapa(datos[:,:-10],[numpy.mean,numpy.std]) # un par de variables mapeadas

#los pixels son homógeneos entre sí: no los vamos a preprocesar

"""
Cosas que tienes que definir y probar:

Ratio ajuste/validación
Número de procesadores ocultos
Parámetros del método de ajuste
Criterio de parada por validación
"""
#Son demasiadas variables para hacer estratificación
tea,tsa,tev,tsv=particion.ajazar(datos,numuestras,0.5) # ¿No será poco un 50% para ajuste?

tep,tsp=lectura.numpytorch(datpru,10)

red=tipored.lineal(numvarent,10)
#red=tipored.lineallineal(numvarent,10) # la regresión lineal normal
#red.perceptron(numvarent,[5],10,nn.Tanh,nn.Sigmoid) # ¿5 ocultos serán suficientes?
notorchs=['lineallineal']
if GPU and modelo not in notorchs:
    tea=tea.cuda()
    tsa=tsa.cuda()
    tev=tev.cuda()
    tsv=tsv.cuda()
    tep=tep.cuda()
    tsp=tsp.cuda()
    red=red.cuda()
if modelo not in notorchs:
    red(tep)
print(red)
#													velocidad iteraciones muestras_para_actualizar_gradiente
_,red,_=ajuste.ajustar(red,tea,tsa,tev,tsv,tep,tsp,regiter=registro.clasiter,regfin=registro.clasprueba,kaj=0.1,numiter=200,minibatch=20)

#Como los resultados son clases discretas, no entramos a los residuos numéricos. Se supone que la matriz de confusión ya nos informa
if modelo not in notorchs:
    red.eval()
#Vemos un caso concreto. Si no te interesa, comenta el siguiente bloque
print('\nEjemplo')
quien=random.randrange(len(tsp))
caso=tep[quien].cpu()
registro.imagen(caso.detach(),'Ejemplo',True)
dice=red(tep[quien:quien+1])
print('Red dice',error.clases(dice))

#Las explicaciones se basan en remuestrear. En un espacio de tan alta dimensión lleva mucho tiempo