#!/usr/bin/env python3
# ========================================
# IA: RED NEURONAL PARA CONVERSIÓN DE TEMPERATURA
# Proyecto: Introducción a Redes Neuronales
# Autor: Gabriel - Técnico en IA
# Framework: TensorFlow 2.x + Keras
# ========================================

import tensorflow as tf
import numpy as np

# Dataset de entrenamiento: 7 ejemplos reales de temperatura
celsius = np.array([-40, -10, 0, 8, 15, 22, 38], dtype=float)
fahrenheit = np.array([-40, 14, 32, 46, 59, 72, 100], dtype=float)

# Reformatear para TensorFlow: convertir a matriz de columna (7 filas, 1 columna)
celsius = celsius.reshape(-1, 1)
fahrenheit = fahrenheit.reshape(-1, 1)

# Arquitectura de la red neuronal
# Capa oculta 1: 3 neuronas que reciben 1 valor de entrada (Celsius)
oculta1 = tf.keras.layers.Dense(units=3, input_shape=[1])

# Capa oculta 2: 3 neuronas adicionales para mayor capacidad de aprendizaje
oculta2 = tf.keras.layers.Dense(units=3)

# Capa de salida: 1 neurona que produce la predicción (Fahrenheit)
salida = tf.keras.layers.Dense(units=1)

# Construir el modelo secuencial: entrada → oculta1 → oculta2 → salida
modelo = tf.keras.Sequential([
    oculta1,
    oculta2,
    salida
])

# Compilar el modelo:
# • optimizer: Adam (algoritmo de descenso de gradiente adaptativo)
# • loss: mean_squared_error (penaliza errores grandes más que pequeños)
modelo.compile(
    optimizer=tf.keras.optimizers.Adam(0.1),  # Tasa de aprendizaje = 0.1
    loss='mean_squared_error'
)

# Entrenar el modelo:
# • epochs=1000: repetir el proceso de aprendizaje 1000 veces
# • verbose=False: no mostrar logs durante el entrenamiento
modelo.fit(celsius, fahrenheit, epochs=1000, verbose=False)

# Predicción: ¿Cuánto es 25°C en Fahrenheit?
# La red nunca vio este valor durante el entrenamiento
resultado = modelo.predict(np.array([[25.0]]))

# Mostrar resultado
print(f"25°C = {resultado[0][0]:.2f}°F")  # Output: ~76.98°F