#!/usr/bin/python3
# -*- coding: utf-8 -*-
"""
Perceptrón para estimar precio de viviendas. Una capa oculta con 5 procesadores con activación tangente hiperbólica.
"""
import httpimport
with httpimport.remote_repo('https://personales.unican.es/crespoj/redes/redespytorch.zip'):
    import lectura
    import lecturaurl
    import preproceso
    import particion
    import tipored
    import ajuste
    import registro
    import random
    import analizar
    from torch.nn.utils import prune
    import torch
    import error
    from torch import nn
    import activaciones
    import inicializacion
    import math
    import copy
    from matplotlib import pyplot
    import statistics

#Cargamos los datos, todos
datos=lecturaurl.leelistas('practica1/casas.trn.txt')
numentradas=len(datos[0])-1
varnoms=['criminalidad','residencial','industrial','rio','polucion','habitaciones','casas-viejas','distancia-trabajo',
         'autovias','impuestos','ratio-aula','negr@s','pobreza','precio']

#Histogramas
frel,vals=lectura.grafica(varnoms,datos,False)

#Preproceso a distribución normal media 0 varianza 1
datot=preproceso.rango1(datos) # mínimo a 0..., máximo a 1... 
"""O puede ser mediavar(media nula y varianza unidad), 
medianavar :llevarlo a mediana 0, intercuartil 1; robusto si tienes abundantes valores extremos
unifor: ecualizar """

#Partición para bootstrap
#gener,tep,tsp=particion.generazarremuest(datot,0.85) # Fracción total de ajuste y validación
#Partición para validación cruzada
#gener=iter(particion.genervalcruz(datot,numpruebas)) # Cuantas rondas de validación cruzada

#Crear una red
red=tipored.perceptron(numentradas,[5],1,nn.Tanh,nn.Identity)
#).cuda(device)
#Coger una red
#red=registro.cogered("granreddelnorte.torch")
print(red)

#Ajuste
print('\nAjuste')
errorps=[]
erroras=[]
diferror=[]
errmin=1000
for _ in range(3): # ¿Cuántos ajustes? (validación cruzada, ...)
    #Si cogemos una partición enteramente al azar sin reemplazo
    tea,tsa,tev,tsv,tep,tsp=particion.azaryestrat(datot,0.5,0.7,0.15)
    #Bootstrap
    #teav,tsav=next(iter(gener))
    #Validación cruzada
    #tep,tsp,teav,tsav=next(gener)
    #Bootstrap o validación cruzada
    #tea,tsa,tev,tsv,_,_=particion.torchazar(teav.detach(),tsav.detach(),0.8,0.2) # Del total ajuste+validación, cuánto a cada cosa
    inicializacion.reinicia(red,inicializacion.inibase) # O 'inio', 'inixn', 'inixu'
    err,red,erraj=ajuste.ajustar(red,tea.requires_grad_(),tsa,tev,tsv,tep,tsp,kaj=0.01,error=nn.MSELoss(), # o L1Loss (error medio en valor absoluto)
# SmoothL1Loss cuadrático en errores bajos y lineal en altos
# error.ErrorPropio('satura') logaritmo del error medio cuadrático
# error.ErorPropio('maximo') máximo valor absoluto de error
# error.ErorPropio('medabs') mediana de los valores absolutos de los errores
# error.ErorPropio('d2') verosimilitud de distribución gamma
                                    algo=torch.optim.LBFGS, # SGD, Rprop, RMSprop, Adam, Adagrad', ASGD
                                    control='paso', # 'ajuste' 'validacion'
                                numiter=100,funpaso=lambda paso: 0.99 if paso<20 else 0.95, #  Si ajuste o validación, factor multiplicativo: 0.9
                                muestraerror=math.sqrt) # Si es el MSE, para que te lo presente en unidades de objetivo
    errorps.append(err.item())
    erroras.append(erraj)
    diferror.append(err.item()-erraj)
    if err.item()<errmin:
        errmin=err.item()
        registro.guardared(red,'tempytorch')

red=registro.cogered('tempytorch')
if numpruebas>1:
    pyplot.hist(errorps)
    pyplot.show()

#Si quieres un ajuste final limitado por valor de error, sin validación
# finaj=statistics.mean(erroras) # o median o lo que quieras
# inicializacion.reinicia(inicializacion.inibase) # U otro
# tea,tsa=lectura.septorch(datot)
# red,erraj=ajuste.ajustar(red,tea.requires_grad_(),tsa,None,None,None,None,kaj=0.01,error=nn.L1Loss,algo=torch.optim.SGD,control='ajuste',
#                              numiter=100,funpaso=0.95,muestraerror=math.abs,limerr=finaj)
# print('Estimación de error de generalizacion',erraj+statistics.mean(diferror))

#Si guardas la red
#registro.guardared(red,"supered.torch")

tepor=registro.residuos(tep,tsp,red,True) # O False si no quieres los gráficos

input("Análisis globales")
#Analizar la red
analizar.analisis(red,tep,tsp,False)


#Para ver casos concretos
#registro.sacarejemplos(tep,tsp,tepor,varnoms,frel,vals,red)