import matplotlib
import torch
from torch.utils.data import DataLoader
from torchvision import transforms
from torchvision.datasets import MNIST
import matplotlib.pyplot as plt
matplotlib.use('TkAgg')

# 神经网络类 主体
class Net(torch.nn.Module):
    def __init__(self):
        super().__init__()
        # 四个全连接层
        self.fc1 = torch.nn.Linear(28 * 28, 64)  # 输入28*28像素的图像 64个节点
        self.fc2 = torch.nn.Linear(64, 64)
        self.fc3 = torch.nn.Linear(64, 64)
        self.fc4 = torch.nn.Linear(64, 10)  # 输出十个数字类别

    def forward(self, x):  # x：图像输入
        # 每层首先做全连接线性计算 self.fc1 再套上激活函数torch.nn.functional.relu
        x = torch.nn.functional.relu(self.fc1(x))
        x = torch.nn.functional.relu(self.fc2(x))
        x = torch.nn.functional.relu(self.fc3(x))
        # 输出层通过softmax进行归一化
        x = torch.nn.functional.log_softmax(self.fc4(x), dim=1)
        return x


# 下载MNIST数据集 导入数据
def get_data_loader(is_train):
    # tensor 多维数组 张量
    to_tensor = transforms.Compose([transforms.ToTensor()])
    """
    第一个参数：''标识数据集下载位置 空表示下载到当前目录
    is_train:指定导入训练集
    """
    data_set = MNIST('', is_train, transform=to_tensor, download=True)
    # batch_size：一个批次包含15张图片  shuffle=True：数据随机打乱
    return DataLoader(data_set, batch_size=15, shuffle=True)  # 返回数据加载器DataLoader（）


# 评估神经网络识别正确率
def evaluate(test_data, net):
    # 正确预测数量
    n_correct = 0
    # 预测总数
    n_total = 0
    with torch.no_grad():
        # 从测试集依次取出数据
        for (x, y) in test_data:
            # 计算神经网络预测值
            outputs = net.forward(x.view(-1, 28 * 28))
            # 对批次结果进行比较
            for i, output in enumerate(outputs):
                # 累加正确预测的数量 argmax 计算数列中最大结果，即预测的手写数字结果
                if torch.argmax(output) == y[i]:
                    n_correct += 1
                n_total += 1
    # 返回预测正确率
    return n_correct / n_total


def main():
    # 导入训练集
    train_data = get_data_loader(is_train=True)
    # 导入测试集
    test_data = get_data_loader(is_train=False)
    # 初始化神经网络
    net = Net()
    # 打印最开始的时候的正确率 约为0.1左右
    print('初始神经网络正确率:', evaluate(test_data, net))
    optimizer = torch.optim.Adam(net.parameters(), lr=0.001)
    # epoch：轮次 反复使用train_data进行训练神经网络，提高训练集利用率
    for epoch in range(2):
        for (x, y) in train_data:
            net.zero_grad()  # 初始化
            output = net.forward(x.view(-1, 28 * 28))  # 正向传播
            # nll_lose 对数损失函数 与前的softmax对数计算进行对应
            loss = torch.nn.functional.nll_loss(output, y)  # 计算差值
            loss.backward()  # 反向误差传播
            optimizer.step()  # 优化网络参数
        print('第', epoch+1, '次训练后准确率：', evaluate(test_data, net))
    #    随机抽取三张图象显示网络预测结果
    for (n, (x, _)) in enumerate(test_data):
        if n > 2:
            break
        predict = torch.argmax(net.forward(x[0].view(-1, 28 * 28)))
        plt.figure(n)
        plt.imshow(x[0].view(28, 28))
        plt.title('prediction:' + str(int(predict)))
    plt.show()


if __name__ == '__main__':
    main()