{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# Inferencia configurable\n",
    "\n",
    "Este notebook recibe un CSV con las columnas id, x1, x2, x3 y x4. Carga los pesos desde un diccionario que declara explícitamente la ruta y arquitectura, estandariza con los valores guardados y produce un CSV de predicciones.\n",
    "\n",
    "La ruta configurada por defecto es un artefacto del instructor. Para inferencia de estudiante, cambie ruta_pesos a su propio modelo exportado y mantenga una arquitectura coincidente.\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "metadata": {},
   "outputs": [
    {
     "output_type": "stream",
     "name": "stdout",
     "text": [
      "Raíz del laboratorio: /home/aleleba/projects/cursos/Universidad/Procesamiento de Imagenes y Vision por Computadora/Labs/Lab2\n"
     ]
    }
   ],
   "source": [
    "from pathlib import Path\n",
    "import sys\n",
    "import numpy as np\n",
    "import matplotlib.pyplot as plt\n",
    "\n",
    "candidatos = [Path.cwd().resolve(), Path.cwd().resolve() / 'dist' / 'laboratorio_clasificacion', Path.cwd().resolve().parent]\n",
    "RAIZ = next((ruta for ruta in candidatos if (ruta / 'lib_modelos.py').exists()), None)\n",
    "if RAIZ is None:\n",
    "    raise FileNotFoundError('No se encontró la carpeta laboratorio_clasificacion.')\n",
    "sys.path.insert(0, str(RAIZ))\n",
    "print('Raíz del laboratorio:', RAIZ)\n",
    "from lib_modelos import cargar_csv, cargar_modelo, transformar\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "metadata": {},
   "outputs": [],
   "source": [
    "CONFIG_MODELOS = {\n",
    "    'referencia_instructor': {\n",
    "        'ruta_pesos': RAIZ / 'instructor_privado' / 'artefactos' / 'modelo_mejor.npz',\n",
    "        'arquitectura': {'tipo': 'mlp', 'entrada': 4, 'ocultas': [32, 16]},\n",
    "        'umbral': 0.405,\n",
    "    },\n",
    "    # Modelo propio, exportado en la sección 6 de laboratorio_estudiante.ipynb:\n",
    "    'mi_modelo': {\n",
    "        'ruta_pesos': RAIZ / 'entrega' / 'modelo_elegido.npz',\n",
    "        'arquitectura': {'tipo': 'mlp', 'entrada': 4, 'ocultas': [48, 24]},\n",
    "        'umbral': 0.315,\n",
    "    },\n",
    "}\n",
    "NOMBRE_MODELO = 'mi_modelo'\n",
    "RUTA_ARCHIVO = RAIZ / 'datos_publicos' / 'ejemplo_entrada_inferencia.csv'\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Ejecución\n",
    "\n",
    "Cambie RUTA_ARCHIVO por el CSV recibido. No incluya la columna etiqueta: inferencia no requiere ni debe leer etiquetas.\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "metadata": {},
   "outputs": [
    {
     "output_type": "stream",
     "name": "stdout",
     "text": [
      "Predicciones guardadas en: /home/aleleba/projects/cursos/Universidad/Procesamiento de Imagenes y Vision por Computadora/Labs/Lab2/datos_publicos/ejemplo_entrada_inferencia_predicciones.csv\n",
      "Filas procesadas: 12\n"
     ]
    }
   ],
   "source": [
    "import csv\n",
    "\n",
    "config = CONFIG_MODELOS[NOMBRE_MODELO]\n",
    "if not config['ruta_pesos'].exists():\n",
    "    raise FileNotFoundError(f\"No se encontraron los pesos: {config['ruta_pesos']}\")\n",
    "if not RUTA_ARCHIVO.exists():\n",
    "    raise FileNotFoundError('Actualice RUTA_ARCHIVO con el archivo de entrada.')\n",
    "\n",
    "modelo, media, desviacion = cargar_modelo(config['ruta_pesos'], config['arquitectura'])\n",
    "x, ids = cargar_csv(RUTA_ARCHIVO, con_etiqueta=False)\n",
    "probabilidades = modelo.probabilidad(transformar(x, media, desviacion))\n",
    "predicciones = (probabilidades >= config['umbral']).astype(int)\n",
    "\n",
    "salida = RUTA_ARCHIVO.with_name(RUTA_ARCHIVO.stem + '_predicciones.csv')\n",
    "with salida.open('w', encoding='utf-8', newline='') as archivo:\n",
    "    escritor = csv.writer(archivo)\n",
    "    escritor.writerow(['id', 'probabilidad_clase_1', 'prediccion', 'umbral'])\n",
    "    for ident, p, pred in zip(ids, probabilidades, predicciones):\n",
    "        escritor.writerow([ident, f'{p:.8f}', int(pred), config['umbral']])\n",
    "print('Predicciones guardadas en:', salida)\n",
    "print('Filas procesadas:', len(ids))\n"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Verificación de arquitectura\n",
    "\n",
    "Si se cambia el archivo de pesos, la entrada arquitectura debe coincidir exactamente con el modelo usado al guardarlo: tipo mlp y lista ocultas, o tipo mlp_residual_bn y ancho. El notebook falla de forma visible si las dimensiones son incompatibles.\n"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "name": "python",
   "version": "3.x"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}