"""
..................................................
Súlyok vizualizációja - MNIST, konvolúciós hálózat
..................................................
"""

import matplotlib.pyplot as plt

def plot_conv_weights(weights, input_channel=0):        # függvény, amely kirajzolja a súlyokat
    sess = tf.Session()
    sess.run(weights.initializer)
    w = sess.run(weights)

    num_filters = w.shape[3]         # number of features, nálunk 32, az első konvolúciós rétegben ennyi feature van

    fig, axes = plt.subplots(4,8)    # 4*8 képet fogunk látni
    
    for i, ax in enumerate(axes.flat):
        if i<num_filters:
            img = w[:, :, input_channel, i]
            ax.imshow(img, vmin=np.min(w), vmax=np.max(w),interpolation='nearest', cmap=plt.cm.gray)
        ax.set_xticks([])
        ax.set_yticks([])
    plt.show()
    
plot_conv_weights(W_conv1)          # az első konvolúciós réteg súlyai, tanítás után érdekes megnézni

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

def plot_conv_layer(layer, image):       # fv, amely kirajzolja az aktivációkat 1 kép esetén, az első konv. réteg súlyaival
    sess = tf.Session()
    sess.run(tf.global_variables_initializer())
    values = sess.run(layer, feed_dict={x: [image]})

    num_filters = values.shape[3]    # number of features, nálunk 32, az első konvolúciós rétegben ennyi feature van

    fig, axes = plt.subplots(4,8)    # 4*8 képet fogunk látni

    for i, ax in enumerate(axes.flat):
        if i<num_filters:
            img = values[0, :, :, i]
            ax.imshow(img, interpolation='nearest', cmap='binary')
        ax.set_xticks([])
        ax.set_yticks([])
    plt.show()

v=mnist.train.images[1000,:]       # v: itt pl. az 1000. tanítókép (de mnist.test.images is lehet)

plot_conv_layer(conv1,v)           # a függvény hívása az első konv. rétegre és v-re