"""

Redes Neurais - Autoencoder

Aprendizagem não supervisionada

Redução de dimensionalidade - Tarefa

Base de dados CIFAR10

Construção de um autoencoder para redimensionamento, codificação e decodificação de imagens

"""

import numpy as np

import matplotlib.pyplot as plt

from keras.datasets import cifar10

from keras.models import Model, Sequential

from keras.layers import Input, Dense

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

(previsores_treinamento, _), (previsores_teste, _) = cifar10.load_data()

previsores_treinamento = previsores_treinamento.astype('float32') / 255

previsores_teste = previsores_teste.astype('float32') / 255

previsores_treinamento = previsores_treinamento.reshape((len(previsores_treinamento), np.prod(previsores_treinamento.shape[1:])))

previsores_teste = previsores_teste.reshape((len(previsores_teste), np.prod(previsores_teste.shape[1:])))

""" Algoritmo para o treinamento """

# 3072 - 1536 - 768 - 1536 - 3072

autoencoder = Sequential()

# Encode

autoencoder.add(Dense(units=1536, activation='relu', input_dim=3072))

autoencoder.add(Dense(units=768, activation='relu'))

# Decode

autoencoder.add(Dense(units=1536, activation='relu'))

autoencoder.add(Dense(units=3072, activation='sigmoid'))

print(autoencoder.summary())

autoencoder.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

autoencoder.fit(previsores_treinamento, previsores_treinamento, epochs=100, batch_size=256,

validation_data=(previsores_teste, previsores_teste))

""" Capturar o codificador """

# Criação manual da rede, capturando as camadas ocultas (que são as imagens codificadas)

dimensao_original = Input(shape=(3072,))

camada_encoder1 = autoencoder.layers[0]

camada_encoder2 = autoencoder.layers[1]

encoder = Model(dimensao_original, camada_encoder2(camada_encoder1(dimensao_original)))

print(encoder.summary())

imagens_codificadas = encoder.predict(previsores_teste)

imagens_decodificadas = autoencoder.predict(previsores_teste)

""" Visualização das imagens """

numero_imagens = 10

imagens_teste = np.random.randint(previsores_teste.shape[0], size=numero_imagens)

plt.figure(figsize=(18, 18))

for i, indice_imagem in enumerate(imagens_teste):

# Imagem original

eixo = plt.subplot(10, 10, i + 1)

plt.imshow(previsores_teste[indice_imagem].reshape(32, 32, 3))

plt.xticks(())

plt.yticks(())

# Imagem codificada

eixo = plt.subplot(10, 10, i + 1 + numero_imagens)

plt.imshow(imagens_codificadas[indice_imagem].reshape(16, 16, 3))

plt.xticks(())

plt.yticks(())

# Imagem reconstruída

eixo = plt.subplot(10, 10, i + 1 + numero_imagens * 2)

plt.imshow(imagens_decodificadas[indice_imagem].reshape(32, 32, 3))

plt.xticks(())

plt.yticks(())

plt.show()

print('\nFim')