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

import lectura
import particion
import tipored
import ajuste
import registro
import torch
import numpy
from matplotlib import pyplot
import error
import random
from torch import nn
import analizar

datos,datpru=lectura.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)

#Podemos analizar el conjunto de píxels
pixels=datos[:,:-10][:].reshape((-1,1))
#lectura.estadistica(['pixels'],pixels)

#o bien un par de variables mapeadas
lectura.mapa(datos[:,:-10],[numpy.mean,numpy.std])

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

#Son demasiadas variables para hacer estratificación
tea,tsa,tev,tsv=particion.ajazar(datos,numuestras,...)
tea=lectura.pasa2d(tea,28)
tev=lectura.pasa2d(tev,28)

tep,tsp=lectura.numpytorch(datpru,10)
tep=lectura.pasa2d(tep,28).requires_grad_()

#definir red
red=tipored.perceptron(1,['3c3','3c3','3c3'],10,nn.LeakyReLU,nn.Sigmoid)#La entrada es 1 imagen, 3 convolutivas ocultas de 4 procesadores y ancho 3 las activaciones de las capas ocultas son LeakyReLU y la de la salida es Sigmoid
red(tep)
#).cuda(device)

_,red,_=ajuste.ajustar(red,tea,tsa,tev,tsv,tep,tsp,algo=...,minibatch=...,kaj=...,numiter=...,topeval=...,regiter=registro.clasiter,regfin=registro.clasprueba,error=nn.BCELoss())

#Como los resultados son clases discretas, no entramos a los residuos numéricos. Se supone que la matriz de confusión ya nos informa

#Analizar la red con muestra tan grande lleva mucho tiempo



#Vemos un caso concreto
print('\nEjemplo')
quien=random.randrange(len(tsp))
caso=tep[quien]
registro.imagen(caso.detach(),'Ejemplo',False)
dice=red(tep[quien].unsqueeze(0))
print('Red dice',error.clases(dice))

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