"""
........................................
MNIST konvolúciós hálózattal, TensorFlow
........................................
"""

print(__doc__)

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data              # adatok betöltése
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)

x = tf.placeholder(tf.float32, shape=[None,784])            # input images placeholder
d = tf.placeholder(tf.float32, shape=[None,10])             # labels placeholder

def weight(shape):                              # normális eloszlásúra inicializálja 
    return tf.Variable(tf.random_normal(shape, stddev=0.1))

def bias(shape):                                # kis pozitív torzítás
    return tf.Variable(tf.constant(0.1, shape=shape))

def conv2d(x, W):                                        
    return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')
                                      # zero-padded: ugyanakkora az eredmény, 
                                      # output size = input size (0-kkal kipótolja a kép szélét)

def max_pool(x):                      # 2x2-es max pooling, stride: 2, nincs átfedés a négyzetek között
    return tf.nn.max_pool(x, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')

# első konv réteg súlyai, 32 features, adjuk meg a súlyokat tartalmazó változó méretét, 5x5-ös filter esetén

###
W_conv1 = weight([])               
b_conv1 = bias([])          # torzítás: vektor, minden feature-höz 1
###

x_image = tf.reshape(x, [-1, 28, 28, 1])    

conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
pool1 = max_pool(conv1)

# második réteget készítsük el, legyen 64 feature

###
W_conv2 = 
b_conv2 = 

conv2 = 
pool2 = 
###

# fully-connected (vagy dense) layer, legyen benne 1024 neuron, mekkora az előző réteg outputja?

###
W_fc1 =            
b_fc1 =                    # minden neuronhoz 1 torzítás

pool2_flat = tf.reshape(pool2, [-1, ])  # masodik dimenzio mennyi??
fc1 = tf.nn.relu(tf.matmul(pool2_flat, W_fc1) + b_fc1)
###

# dropout layer

keep_prob = tf.placeholder(tf.float32)
fc1_drop = tf.nn.dropout(fc1, keep_prob)

# output layer

W_fc2 =                   # 1024 neuron, output: 10-elemű vektor (one-hot vectors)
b_fc2 = 

y = tf.matmul(fc1_drop, W_fc2) + b_fc2

loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=d, logits=y))
optimizer = tf.train.AdamOptimizer(0.0001).minimize(loss)
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(d, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for _ in range(500):                              # 500 iteráció
        batch = mnist.train.next_batch(50)            # batchsize: 50
        optimizer.run(feed_dict={x: batch[0], d: batch[1], keep_prob: 0.5})        # tanítás futtatása: loss és gradients kiszámolása, súlyok update-elése
    print('test accuracy %g' % accuracy.eval(feed_dict={x: mnist.test.images, d: mnist.test.labels, keep_prob: 1.0}))   # pontosság a teszthalmazon

##################################################