"""Pandas knihovna slouží pro analýzu dat, které lze reprezentovat 2D tabulkou.
   Tento „tvar” dat najdeme v SQL databázích, souborech CSV nebo tabulkových procesorech."""
import pandas as pd
# NumPy je knihovna programovacího jazyka Python, která poskytuje infrastrukturu pro práci s vektory, maticemi a obecně vícerozměrnými poli.
import numpy as np
# Time je modul pro práci s časovými funkcemi.
import time
# MinMaxScaler je funkce jež slouží k transformaci hodnot do rozmezí 0 až 1.
from sklearn.preprocessing import MinMaxScaler
# Keras je softwarová knihovna, jež poskytuje rozhraní v jazyce Python pro techniky neuronových sítí.
import keras
# Sequential - sekvenční model
from keras.models import Sequential
# Dense - plně propojená vrstva Neuronové sítě
from keras.layers import Dense
# ModelCheckpoint je funkce sloužící k uložení modelu neuronové sítě či jejích vah v určité fázi učícího procesu za určité podmínky.
from keras.callbacks import ModelCheckpoint
# Argparse je modul sloužící k vytváření rozhraní pro příkazovou řádku.
import argparse
# OS je modul pro interakci s operačním systémem.
import os
# SYS je modul pro interakci s prostředím Python.
import sys

# - definování způsobu, jak předat argument z příkazového řádku do programu
parser = argparse.ArgumentParser()
parser.add_argument("--train_data",help = "absolutní cesta datového souboru s trénovacími daty ",required=True)
args=vars(parser.parse_args())

# - načtení trénovacích dat neuronové sítě ze souboru ve formátu XLS
train_data = pd.read_excel(args["train_data"],sheet_name = "")

# - definování proměnných, vstupních dat(vstupních proměnných) a výstupních dat(výstupní proměnné)
vstupni_data = train_data[train_data.columns[3:]]
vystupni_data = train_data[train_data.columns[2]]

# - vytvoření datových matic vstupních a výstupních proměnných.
matice_vstupnich_dat=np.mat(vstupni_data)
matice_vystupnich_dat=np.mat(vystupni_data)

# - použití funkce MinMaxScaler k namapování hodnot vstupních a výstupních proměnných na interval <0,1>
prepro_x = MinMaxScaler()
prepro_y = MinMaxScaler()
prepro_x.fit(matice_vstupnich_dat)
prepro_y.fit(matice_vystupnich_dat)
min_max_vstupnich_promennych=prepro_x.transform(matice_vstupnich_dat)

# - zapnutí měření doby trvání učení Neuronové sítě
zacatek=time.time()

"""Topologie třívrstvé neuronové sítě se skládá ze vstupní vrstvy, jedné skryté vrstvy a jedné výstupní vrstvy.
   Vstupní vrstva má počet neuronů roven počtu vstupních proměných + bias. Skrytá vrstva má 18 neuronů a druhá skrytá vrstva má 1 neuron.
   Neurony ve skryté a výstupní vrtsvě obsahují aktivační funkci ReLU. Učící proces se skládá z n epoch. Hodnota učícího koeficentu je 0.01.
   Chyba sítě je měřena pomocí Střední kvadratické chyby."""
epochy=
seed = 7
np.random.seed(seed)
model = Sequential()
model.add(Dense(18, input_dim=min_max_vstupnich_promennych.shape[1], kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal',activation='relu'))

# Definování absolutní cesty souboru ve formátu HDF, do něhož se ukládají naučené váhy neuronové sítě, které vygenerovaly nejmenší chybu sítě.
filepath = "C:\\Users\\korec\\PycharmProjects\\Diplomka\\Neuronova_sit_vystup\\{}_model.h5".format(os.path.split(args["train_data"])[-1][0:-4])
checkpoint = ModelCheckpoint(filepath, monitor='loss', verbose=1, save_best_only=True, mode='min')
callbacks_list = [checkpoint]

"""Sestavení třívrstvé neuronové sítě, jejíž chyba je měřena pomocí střední kvadratické chyby. 
   K učení sítě je využíván optimalizační algoritmus Adam s koeficientem učení 0.01."""
model.compile(loss='mean_squared_error',optimizer=keras.optimizers.Adam(lr=0.01))

# - učící proces neuronové sítě
history=model.fit(min_max_vstupnich_promennych, matice_vystupnich_dat.reshape(-1,1), epochs=epochy, batch_size=50, callbacks=callbacks_list)

# - uložení výstůpů programu Neuronové sítě do souboru ve formátu TXT
file = open('C:\\Users\\korec\\PycharmProjects\\Diplomka\\Neuronova_sit_vystup\\vystup_{}.txt'.format(os.path.split(args["train_data"])[-1][0:-4]),mode="w+")
sys.stdout = file

# - shrnutí informací o sestaveném modelu
print(model.summary())

# - ukončení měření doby trvání učení Neuronové sítě
konec=time.time()
print("Doba učení neuronové sítě je ", konec-zacatek ,"sekund")

# - vygenerování vývoje Střední kvadratické chyby v průběhu učícího procesu neuronové sítě
MSE=pd.DataFrame(history.history['loss'])
MSE.columns = ["Stredni kvadraticka chyba"]
MSE["Epocha"] = MSE.index.to_list()
print(MSE)

# - vygenerování nejnižší dosaženné střední kvadratické chyby
print("Střední kvadratická chyba = {}".format(MSE["Stredni kvadraticka chyba"].min()))

# - uzavření souboru, do kterého byly zapisovány výstupy Neuronové sítě
file.close()