import os
import torch
import random
import numpy as np
import torchvision
import matplotlib.pyplot as plt
import torchvision.transforms as transforms
import shutil
import time
import xml.etree.ElementTree as et
import pickle
import csv

from tqdm import tqdm
from PIL import Image
from torchvision import models
from torch.utils.data import DataLoader
from torchvision.datasets import ImageFolder
# Размер одного пакета
BATCH_SIZE = 32

use_gpu = torch.cuda.is_available()
device = 'cuda' if use_gpu else 'cpu'
print('Connected device:', device)

# Датасет для тренировки
train_dataset = ImageFolder(
    root='Data/Train'
)
# Датасет для проверки
valid_dataset = ImageFolder(
    root='Data/Valid'
)

# augmentations (ухудшение качество чтобы не было переобучения)
normalize = transforms.Normalize(mean=[0.485, 0.456, 0.406],
                                 std=[0.229, 0.224, 0.225])
train_dataset.transform = transforms.Compose([
    transforms.Resize([70, 70]),
    transforms.RandomHorizontalFlip(),
    transforms.RandomAutocontrast(),
    transforms.RandomEqualize(),
    transforms.ToTensor(),
    normalize
])

valid_dataset.transform = transforms.Compose([
    transforms.Resize([70, 70]),
    transforms.ToTensor(),
    normalize
])

# Определение выборки для обучения
train_loader = DataLoader(
    train_dataset, batch_size=BATCH_SIZE,
    shuffle=True
)
# Определение выборки для проверки
valid_loader = DataLoader(
    valid_dataset, batch_size=BATCH_SIZE,
    shuffle=False
)

# Указание на используемую модель
def google(): # pretrained=True для tensorflow
    model = models.googlenet(weights=models.GoogLeNet_Weights.IMAGENET1K_V1)
    # Добавление линейного (выходного) слоя на основании которого идет дообучение
    model.fc = torch.nn.Linear(1024, len(train_dataset.classes))
    for param in model.parameters():
        param.requires_grad = True
    # Заморозка весов т.к. при переобучении модели они должны быть постоянны, а меняться будет только последний слой
    model.inception3a.requires_grad = False
    model.inception3b.requires_grad = False
    model.inception4a.requires_grad = False
    model.inception4b.requires_grad = False
    model.inception4c.requires_grad = False
    model.inception4d.requires_grad = False
    model.inception4e.requires_grad = False
    return model

# Функция обучения модели. Epoch - количество итераций обучения (прогонов по нейросети)
def train(model, optimizer, train_loader, val_loader, epoch=10):
    loss_train, acc_train = [], []
    loss_valid, acc_valid = [], []
    # tqdm - прогресс бар
    for epoch in tqdm(range(epoch)):
        # Ошибки
        losses, equals = [], []
        torch.set_grad_enabled(True)

        # Train. Обучение. В цикле проходится по картинкам и оптимизируются потери
        model.train()
        for i, (image, target) in enumerate(train_loader):
            image = image.to(device)
            target = target.to(device)
            output = model(image)
            loss = criterion(output,target)

            losses.append(loss.item())
            equals.extend(
                [x.item() for x in torch.argmax(output, 1) == target])

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        # Метрики отображающие резултитаты обучения модели
        loss_train.append(np.mean(losses))
        acc_train.append(np.mean(equals))
        losses, equals = [], []
        torch.set_grad_enabled(False)

        # Validate. Оценка качества обучения
        model.eval()
        for i , (image, target) in enumerate(valid_loader):
            image = image.to(device)
            target = target.to(device)

            output = model(image)
            loss = criterion(output,target)

            losses.append(loss.item())
            equals.extend(
                [y.item() for y in torch.argmax(output, 1) == target])

        loss_valid.append(np.mean(losses))
        acc_valid.append(np.mean(equals))

    return loss_train, acc_train, loss_valid, acc_valid

criterion = torch.nn.CrossEntropyLoss()
criterion = criterion.to(device)

model = google()
print('Model: GoogLeNet\n')

# оптимайзер - отвечает за поиск и подбор оптимальных весов
optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)
model = model.to(device)

loss_train, acc_train, loss_valid, acc_valid = train(
model, optimizer, train_loader, valid_loader, 30)
print('acc_train:', acc_train, '\nacc_valid:', acc_valid)

# Сохранение модели в текущую рабочую директорию
pkl_filename = "pickle_model.pkl"
with open(pkl_filename, 'wb') as file:
    pickle.dump(model, file)

# Категории. Получаются из имен папок
print(train_dataset.classes)
# Экспорт категорий в CSV
with open('cat.csv', 'w', newline='') as file:
    writer = csv.writer(file)
    writer.writerow(train_dataset.classes)