#!/usr/bin/env python
# coding: utf-8

# # <span style="color:green"><center>Diplomado en Inteligencia Artificial y Aprendizaje Profundo</center></span>

# # <span style="color:red"><center>Introducción a la API Sequential de Keras</center></span>

# ##   <span style="color:blue">Profesores</span>

# 1. Alvaro Mauricio Montenegro Díaz, ammontenegrod@unal.edu.co
# 2. Daniel Mauricio Montenegro Reyes, dextronomo@gmail.com 
# 3. Campo Elías Pardo Turriago, cepardot@unal.edu.co 

# ##   <span style="color:blue">Asesora Medios y Marketing digital</span>
#  

# 4. Maria del Pilar Montenegro, pmontenegro88@gmail.com 

# ## <span style="color:blue">Asistentes</span>

# 5. Oleg Jarma, ojarmam@unal.edu.co 
# 6. Laura Lizarazo, ljlizarazore@unal.edu.co 

# ## <span style="color:blue">Contenido</span> 

# * [Introducción](#Introducción)
# * [Prepara datos de MNIST](#Prepara-datos-de-MNIST)
# * [Modelo Sequential de Keras](#Modelo-Sequential-de-Keras)
# * [Summary y Plot Model](#Summary-y-Plot-Model)
# * [Entrenamiento y evaluación del modelo](#Entrenamiento-y-evaluación-del-modelo)
# 

# ## <span style="color:blue">Introducción</span>

# Este es un notebook de Google Colaboratory. Los programas de Python se executan directamente en tu navegador,  una gran manera de aprender y utilizar TensorFlow. Para poder seguir este tutorial, ejecuta este notebook en Google Colab presionando el boton en la parte superior de esta pagina.
# 

# In[1]:


from __future__ import absolute_import, division, print_function

import tensorflow as tf
print('Version de Tensorflow = ', tf.__version__)


# ## <span style="color:blue">Prepara datos de MNIST</span> 

# In[2]:


mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train/255.0, x_test/255.0


# ## <span style="color:blue">Modelo Sequential de Keras</span> 
# 

# In[3]:


import tensorflow.keras.layers as layer

model = tf.keras.models.Sequential([
    layer.Flatten(input_shape=(28,28)), #784
    layer.Dense(128, activation='relu'),
    layer.Dropout(0.2),
    layer.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
             loss='sparse_categorical_crossentropy',
             metrics=['accuracy'])


# ## <span style="color:blue">Summary y Plot Model</span> 

# In[4]:


model.summary()


# In[5]:


from tensorflow.keras.utils import plot_model

plot_model(model, to_file='../Imagenes/mnist_dense.png', 
          show_shapes=True, show_dtype=False)


# Puede necesitar instalar [graphviz](https://www.graphviz.org/).
pip install pydot
pip install pydot_ng
pip install graphviz
#pip install plot-model
# In[ ]:


#from plot_model import plot_model
#plot_model(model)


# ## <span style="color:blue">Entrenamiento y evaluación del modelo</span> 

# In[6]:


history = model.fit(x_train, y_train, epochs=5)


# In[7]:


model.evaluate(x_test, y_test, verbose=2)


# ## <span style="color:blue">Primeros gráficos</span> 

# ### Extrae datos

# In[20]:


import matplotlib.pyplot as plt
import pandas as pd
hist = pd.DataFrame(history.history)
hist['epoch'] = history.epoch 
hist


# ### Pérdida

# In[27]:


plt.figure()
plt.xlabel('Epoca')
plt.ylabel('Loss: Entropía cruzada')
plt.plot(hist['epoch'], hist['loss'],
           label='Error en entrenamiento')
plt.ylim([0,0.5])
plt.legend()
plt.show()


# ### Exactitud

# In[29]:


plt.figure()
plt.xlabel('Epoca')
plt.ylabel('Exactitud')
plt.plot(hist['epoch'], hist['accuracy'],
           label='Exactitud en entrenamiento')
plt.ylim([0.9,1])
plt.legend()
plt.show()


# In[ ]: