import tensorflow as tf

import numpy as np

import math

import time

from tutorials.image.cifar10 import cifar10

from tutorials.image.cifar10 import cifar10_input

# 本节使用的数据集是CIFAR-10，这是一个经典的数据集，包含60000张32*32的彩色图像，其中训练集50000张，测试集10000张

# 一共标注为10类，每一类图片6000张。10类分别是 airplane, automobile, bird, cat, deer, dog, frog, horse, ship, truck

# 我们载入一些常用库，比如NumPy和time，并载入TensorFlow Models中自动下载、读取CIFAR-10数据的类

max_steps = 3000#迭代3000次

batch_size = 128#每次128张图片

# 下载cifar10数据集的默认路径

data_dir = 'D:/cifar10_data/cifar-10-batches-bin'

def variable_with_weight_losses(shape, stddev, wl):#w1是L1正则中的系数

    # 定义初始化weights的函数，和之前一样依然使用tf.truncated_normal截断的正太分布来初始化权值

    var = tf.Variable(tf.truncated_normal(shape, stddev=stddev))

    if wl is not None:

        # 给weight加一个L2的loss，相当于做了一个L2的正则化处理

        # 在机器学习中，不管是分类还是回归任务，都可能因为特征过多而导致过拟合，一般可以通过减少特征或者惩罚不重要特征的权重来缓解这个问题

        # 但是通常我们并不知道该惩罚哪些特征的权重，而正则化就是帮助我们惩罚特征权重的，即特征的权重也会成为模型的损失函数的一部分

        # 我们使用w1来控制L2 loss的大小

        weight_loss = tf.multiply(tf.nn.l2_loss(var), wl, name='weight_loss')

        # 我们使用tf.add_to_collection把weight loss统一存到一个collection，这个collection名为"losses"，它会在后面计算神经网络

        # 总体loss时被用上

        tf.add_to_collection("losses", weight_loss)

    return var

# 下载cifar10类下载数据集，并解压，展开到其默认位置

cifar10.maybe_download_and_extract()

# 使用cifar10_input类中的distorted_inputs函数产生训练需要使用的数据，包括特征及其对应的label，这里是封装好的tensor，

# 每次执行都会生成一个batch_size的数量的样本。需要注意的是这里对数据进行了Data Augmentation数据增强

# 具体实现细节查看函数，其中数据增强操作包括随机水平翻转tf.image.random_flip_left_right()

# 随机剪切一块24*24大小的图片tf.random_crop，随机设置亮度和对比度，tf.image.random_brightness、tf.image.random_contrast

# 以及对数据进行标准化，白化 tf.image.per_image_standardization() 减去均值、除以方差，保证数据零均值，方差为1

images_train, labels_train = cifar10_input.distorted_inputs(#可以之解读数据，然后按每一批次的来读取

    data_dir=data_dir, batch_size=batch_size

)#对应计算图中的一个字图 cifar10_input封装的是一个tensor 输入进来数据，再把处理逻辑输出出去

# 生成测试数据，不过这里不需要进行太多处理，不需要对图片进行翻转或修改亮度、对比度，

# 不过需要裁剪图片正中间的24*24大小的区块。（因为训练的数据是24*24的，通过函数cifar10_input.distorted_inputs读进来时处理了）

# 并进行数据标准化操作

# 测试的是一批数据

images_test, labels_test = cifar10_input.inputs(eval_data=True, data_dir=data_dir, batch_size=batch_size)

# 因为batch_size在之后定义网络结构时被用到了，所以数据尺寸中的第一个值即样本条数需要被预先设定，而不能像以前那样设置为None

# 而数据尺寸中的图片尺寸为24*24即是剪裁后的大小，颜色通道数则设为3

# 这里写batch_size而不是None 因为后面代码中get_shape会拿到这里面的batch_size

image_holder = tf.placeholder(tf.float32, [batch_size, 24, 24, 3])#训练集多少行

label_holder = tf.placeholder(tf.int32, [batch_size])#训练集多少行，就有多少个Label

# 初始设置第一个卷积层,64个卷积核，卷积核大小是5*5，3通道

weight1 = variable_with_weight_losses(shape=[5, 5, 3, 64], stddev=5e-2, wl=0.0)#在卷积这块不做正则化

kernel1 = tf.nn.conv2d(image_holder, filter=weight1, strides=[1, 1, 1, 1], padding='SAME')#做真正的卷积

bias1 = tf.Variable(tf.constant(0.0, shape=[64]))#0.1也可

conv1 = tf.nn.relu(tf.nn.bias_add(kernel1, bias1))#用激活函数

# 使用尺寸3*3步长2*2的最大池化层处理数据，这里最大池化的尺寸和步长不一样，可以增加数据的丰富性

pool1 = tf.nn.max_pool(conv1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')

# 使用LRN对结果进行处理

# LRN最早见于Alex那篇用CNN参加ImageNet比赛的论文，Alex在论文中解释LRN层模仿了生物神经系统的"侧抑制(单边抑制)"机制，

# 对局部神经元的活动创建竞争环境，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力

# Alex在ImageNet（上百万张图片）数据集上的实验表明，使用LRN后CNN在Top1的错误率可以降低1.4%，因此其在经典AlexNet中使用了LRN层

# LRN对ReLU这种没有上限边界的激活函数会比较有用，因为它会从附近的多个卷积核的响应中挑选比较大的反馈

# 但不适合Sigmoid这种有固定边界并且能抑制过大值得激活函数

# LRN对Relu配合较好，适合Alex架构

norm1 = tf.nn.lrn(pool1, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)

# 创建第二个卷积层

# 上面64个卷积核，即输出64个通道，所以本层卷积核尺寸的第三个维度即输入的通道数也需要调整为64

weight2 = variable_with_weight_losses(shape=[5, 5, 64, 64], stddev=5e-2, wl=0.0)

kernel2 = tf.nn.conv2d(norm1, weight2, [1, 1, 1, 1], padding='SAME')

# 还有这里的bias值全部初始化为0.1，而不是0.最后，调换了最大池化层和LRN层的顺序，先进行LRN层处理，再使用最大池化层

bias2 = tf.Variable(tf.constant(0.1, shape=[64]))

conv2 = tf.nn.relu(tf.nn.bias_add(kernel2, bias2))

norm2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9.0, beta=0.75)

pool2 = tf.nn.max_pool(norm2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='SAME')

# 两个卷积层之后，是全连接层

# 先把第二个卷积层之后的输出结果flatten，使用tf.reshape函数将每个样本都变成一维向量，使用get_shape函数获取数据扁平化之后的长度

reshape = tf.reshape(pool2, [batch_size, -1])

dim = reshape.get_shape()[1].value

# 接着初始化权值，隐含节点384个，正太分布的标准差设为0.04，bias的值也初始化为0.1

# 注意这里我们希望这个全连接层不要过拟合，因此设了一个非零的weight loss值0.04，让这一层具有L2正则所约束。

weight3 = variable_with_weight_losses(shape=[dim, 384], stddev=0.04, wl=0.004)

bias3 = tf.Variable(tf.constant(0.1, shape=[384]))#写0.1是为了Relu小于0时全为0，所以给0.1不至于成为死亡神经元

# 最后我们依然使用ReLU激活函数进行非线性化

local3 = tf.nn.relu(tf.matmul(reshape, weight3) + bias3)

# 接下来还是全连接层，只是隐含节点只有一半，其他一样

weight4 = variable_with_weight_losses(shape=[384, 192], stddev=0.04, wl=0.004)#全连接的神经元384---192 是不断减少的，成倍减少 因为在不断的总结 卷积是不断地变宽，也是成倍的

bias4 = tf.Variable(tf.constant(0.1, shape=[192]))

local4 = tf.nn.relu(tf.matmul(local3, weight4) + bias4)

# 最后一层输出层，依然先创建一层weight，其正太分布标准差设为一个隐含层节点数的倒数，并且不用L2正则

# 这里没有用之前的softmax输出最后结果，这里把softmax操作放在了计算loss部分，其实我们不需要对inference的输出进行softmax

# 处理就可以获得最终分类结果（直接比较inference输出的各类的数值大小即可），计算softmax主要是为了计算loss，因此softmax操作整合到后面合理

weight5 = variable_with_weight_losses(shape=[192, 10], stddev=1/192.0, wl=0.0)

bias5 = tf.Variable(tf.constant(0.0, shape=[10]))

logits = tf.add(tf.matmul(local4, weight5), bias5)

# 到这里就完成了整个网络inference（构建）的部分，梳理整个网络结构，设计性能良好的CNN是有一定规律可循的，但是想要针对某个问题设计最合适的

# 网络结构，是需要大量实际摸索的

# 完成模型inference的构建，接下来是计算CNN的loss，这里依然是用cross_entropy，这里我们把softmax的计算和cross_entropy的计算

# 合在了一起，即 tf.nn.sparse_softmax_cross_entropy_with_logits()

# 这里使用 tf.reduce_mean() 对 cross entropy计算均值，再使用 tf.add_to_collection()把cross entropy的loss添加到整体

# losses的collection中，最后，使用tf.add_n将整体losses的collection集合中的全部loss求和，得到最终的loss，其中包括

# cross entropy loss, 还有后两个全连接层中weight的L2 loss

def loss(logits, labels):

    labels = tf.cast(labels, tf.int64)#真实标签0-9

    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits(

        logits=logits, labels=labels, name='cross_entropy_per_example'

    )#交叉熵

    cross_entropy_mean = tf.reduce_mean(cross_entropy,

                                        name='cross_entropy')

    tf.add_to_collection('losses', cross_entropy_mean)#加到最开始定义的集合这里最后又两部分交叉熵损失函数+L2损失函数

    return tf.add_n(tf.get_collection('losses'), name='total_loss')#拿到两部分损失

loss = loss(logits=logits, labels=label_holder)#logits输出的结果

# 优化器依然选择Adam Optimizer, 学习速率0.001

train_op = tf.train.AdamOptimizer(1e-3).minimize(loss)#在训练过程中不断调整w和b

# 使用 tf.nn.in_top_k()函数求输出结果中 top k的准确率，默认使用top 1，也就是输出分数最高的那一类的准确率

top_k_op = tf.nn.in_top_k(logits, label_holder, 1)#这里1是top1 相同为1 进行累加  得出准确率

sess = tf.InteractiveSession()

tf.global_variables_initializer().run()

# 前面对图像进行数据增强(各种扭曲缩小)的操作需要耗费大量CPU时间，因此distorted_inputs使用了16个独立的线程来加速任务，函数内部会产生线程池，

# 在需要使用时会通过TensorFlow queue进行调度

# 启动图片数据增强的线程队列，这里一共使用了16个线程来进行加速，如果不启动线程，那么后续inference以及训练的操作都是无法开始的

tf.train.start_queue_runners()

# 进行训练

for step in range(max_steps):

    start_time = time.time()

    image_batch, label_batch = sess.run([images_train, labels_train])#真正执行tensor逻辑 返回的是一批次的数据

    _, loss_value = sess.run([train_op, loss],

                             feed_dict={image_holder: image_batch, label_holder: label_batch})

    duration = time.time() - start_time

    if step % 10 == 0:

        examples_per_sec = batch_size / duration

        sec_per_batch = float(duration)

        format_str = 'step %d, loss = %.2f (%.1f examples/sec; %.3f sec/batch)'

        print(format_str % (step, loss_value, examples_per_sec, sec_per_batch))

# 评测模型在测试集上的准确率

# 我们依然像训练时那样使用固定的batch_size，然后一个batch一个batch输入测试数据

num_examples = 10000

# 先计算一共要多少个batch才能将全部样本评测完

num_iter = int(math.ceil(num_examples / batch_size))

true_count = 0

total_sample_count = num_iter * batch_size

step = 0

while step < num_iter:

    image_batch, label_batch = sess.run([images_test, labels_test])#测试 取测试集中的数据

    predictions = sess.run([top_k_op], feed_dict={image_holder: image_batch,#有多少个相同的结果预测出的和真实的比较

                                                  label_holder: label_batch})

    true_count += np.sum(predictions)

    step += 1

precision = true_count / total_sample_count #预测对的和总的样本数

print('precision @ 1 = %.3f' % precision)