import numpy as np

import tensorflow as tf

from flask import Flask, jsonify, render_template, request

import numpy as np

from PIL import Image

from mnist import model

import matplotlib.pyplot as plt

from matplotlib.image import imread

# tf.placeholder(dtype, shape=None, name=None)

# 此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的

# dtype：数据类型。常用的是tf.float32,tf.float64等数值类型

# shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定

# name：名称。

# 返回：Tensor 类型

x = tf.placeholder("float", [None, 784])

'''用于运行TensorFlow操作的类。 '''

# session可能拥有的资源，如：tf.Variable，tf.QueueBase和tf.ReaderBase。

# 不再需要时释放这些资源是非常重要的。

# 为此，请在session中调用tf.Session.close方法，或使用session作为上下文管理器

sess = tf.Session()

# 保存和恢复都需要实例化一个 tf.train.Saver。

# saver = tf.train.Saver()

# 在训练循环中，定期调用 saver.save() 方法，向文件夹中写入包含了当前模型中所有可训练变量的 checkpoint 文件。

# saver.save(sess, FLAGS.train_dir, global_step=step)

# 之后，就可以使用 saver.restore() 方法，重载模型的参数，继续训练或用于测试数据。

# saver.restore(sess, FLAGS.train_dir)

# restore trained data

with tf.variable_scope("regression"):

    y1, variables = model.regression(x)

saver = tf.train.Saver(variables)

saver.restore(sess, "mnist/data/regression.ckpt")

# tf.get_variable(<name>, <shape>, <initializer>) 创建或返回给定名称的变量

# tf.variable_scope(<scope_name>) 管理传给get_variable()的变量名称的作用域

with tf.variable_scope("convolutional"):

    keep_prob = tf.placeholder("float")

    y2, variables = model.convolutional(x, keep_prob)

saver = tf.train.Saver(variables)

saver.restore(sess, "mnist/data/convolutional.ckpt")

def regression(input):

    # print('-------------------regression')

    # print('y2:' + str(y1))

    # print(input)

    return sess.run(y1, feed_dict={x: input}).flatten().tolist()

# run(

#     fetches,

#     feed_dict=None,

#     options=None,

#     run_metadata=None

# )

def convolutional(input):

    # print('-------------------convolutional')

    # print('y2:' + str(y2))

    # print( input)

    return sess.run(y2, feed_dict={x: input, keep_prob: 1.0}).flatten().tolist()

# im = Image.open(r'C:\Users\admin\Desktop\无标题.png')

# im2 = np.array(im)

# print(im2)

# img = imread(r'C:\Users\admin\Desktop\无标题.png')  # 读入图像（设定合适的路径！）

# plt.imshow(img)

# plt.arr

# plt.show()

# 读取图片

im = Image.open(r'C:\Users\admin\Desktop\2.png')

# 显示图片

# im.show()

im = im.convert("L")

# im.show()

data = im.getdata()

data = np.matrix(data)

 #     print data

# 变换成512*512

data = np.reshape(data, (784, 1))

# new_im = Image.fromarray(data)

# # 显示图片

# new_im.show()

input = ((255 - np.array(data, dtype=np.uint8)) / 255.0).reshape(1, 784)

# # print(input)

output1 = regression(input)

output2 = convolutional(input)

print(output1)

print(output2)