"""Åbne kontroller og faktisk full-batch træning; ingen eksterne pakker."""
import argparse
import csv
import math
from pathlib import Path
import sys

try:
    from gradient_oevelse import gradienter
except Exception as exc:
    raise SystemExit(f'Kunne ikke læse gradient_oevelse.py: {type(exc).__name__}: {exc}') from exc

TRAIN = [(0, 1), (1, 3), (2, 5)]
VALIDATION = [(-1, -1), (3, 7)]


def loss(data, weight, bias):
    return sum((weight * x + bias - y) ** 2 for x, y in data) / len(data)



def checked_gradient(data, weight, bias):
    result = gradienter(data, weight, bias)
    if not isinstance(result, (tuple, list)) or len(result) != 2 or any(isinstance(v, bool) or not isinstance(v, (int, float)) or not math.isfinite(v) for v in result):
        raise ValueError('returnér to endelige tal, fx return dw, db')
    return result

def check():
    # Cases include nonzero starting parameters and asymmetric input.
    cases = [([(0, 1), (1, 3), (2, 5)], 0, 0, (-26/3, -6)),
             ([(-2, 1), (1, 0)], 1, -1, (8, -4))]
    for data, w, b, expected in cases:
        try:
            result = checked_gradient(data, w, b)
            if not all(math.isclose(a, e, rel_tol=1e-7, abs_tol=1e-7) for a, e in zip(result, expected)):
                raise ValueError(f'forventede cirka {expected}, fik {result}')
        except Exception as exc:
            print(f'PRØV IGEN · data={data}, weight={w}, bias={b}: {type(exc).__name__}: {exc}')
            return False
    print('BESTÅET · åbne gradientkontroller. De er ikke en fuldstændig test.')
    return True


def gradcheck():
    """Sammenlign brugerens gradient med en central numerisk differens."""
    data = [(-1.5, 2), (0.25, -0.5), (2, 3)]
    weight, bias, epsilon = 0.7, -0.4, 1e-5
    try:
        actual = checked_gradient(data, weight, bias)
        numerical = ((loss(data, weight + epsilon, bias) - loss(data, weight - epsilon, bias)) / (2 * epsilon),
                     (loss(data, weight, bias + epsilon) - loss(data, weight, bias - epsilon)) / (2 * epsilon))
    except Exception as exc:
        print(f'KUNNE IKKE BEREGNE · {type(exc).__name__}: {exc}')
        return False
    print(f'Numerisk gradienttjek ved weight={weight}, bias={bias}, epsilon={epsilon:g}')
    print('parameter      din gradient    numerisk tilnærmelse    absolut forskel')
    for name, observed, reference in zip(('weight', 'bias'), actual, numerical):
        print(f'{name:9} {observed:16.8f} {reference:23.8f} {abs(observed-reference):18.8g}')
    ok = all(math.isclose(a, n, rel_tol=1e-6, abs_tol=1e-6) for a, n in zip(actual, numerical))
    print('STEMMER INDEN FOR TOLERANCEN' if ok else 'AFVIGELSE · kontrollér begge gradienter og at de bruger de samme gamle parametre.')
    print('Numerisk differens er en tilnærmelse ved ét eksempel, ikke et bevis for korrekthed.')
    return ok


def main():
    if not check():
        return 1
    weight, bias, rate = 0.0, 0.0, 0.1
    rows = []
    for step in range(101):
        try:
            train_loss, validation_loss = loss(TRAIN, weight, bias), loss(VALIDATION, weight, bias)
            if not all(math.isfinite(v) for v in (train_loss, validation_loss)):
                raise ValueError('fejlen er ikke et endeligt tal')
            rows.append((step, weight, bias, train_loss, validation_loss))
            if step == 100:
                break
            dw, db = checked_gradient(TRAIN, weight, bias)
            next_weight, next_bias = weight - rate * dw, bias - rate * db
            if not all(math.isfinite(v) for v in (next_weight, next_bias)):
                raise ValueError('opdateringen giver en ikke-endelig vægt eller bias')
            weight, bias = next_weight, next_bias
        except Exception as exc:
            print(f'TRÆNING STOPPET · skridt {step}, weight={weight:.6g}, bias={bias:.6g}: {type(exc).__name__}: {exc}')
            print('Kontrollér gradienter() og beregningen ved disse værdier. Ingen ny resultatfil er gemt.')
            return 1
    print('skridt     vægt     bias   træningsfejl   valideringsfejl')
    for row in (rows[0], rows[1], rows[10], rows[100]):
        print(f'{row[0]:5d} {row[1]:8.4f} {row[2]:8.4f} {row[3]:14.6f} {row[4]:16.6f}')
    output = Path('linje_resultater.csv')
    if output.exists():
        print(f'{output} findes allerede og overskrives ikke. Omdøb eller flyt den for at gemme et nyt forsøg.')
    else:
        with output.open('x', newline='', encoding='utf-8') as f:
            writer = csv.writer(f)
            writer.writerow(['step', 'weight', 'bias', 'train_mse', 'validation_mse'])
            writer.writerows(rows)
        print(f'Alle 101 målinger er gemt i {output}.')
    print('Data er små, syntetiske og støjfri; valideringspunkterne er synlige og ikke en uafhængig sluttest.')
    return 0


if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='Tjek og træn din linjemodel.')
    parser.add_argument('--gradcheck', action='store_true', help='Sammenlign gradienten med en numerisk tilnærmelse uden at træne.')
    args = parser.parse_args()
    sys.exit((0 if gradcheck() else 1) if args.gradcheck else main())
