import numpy as np
import matplotlib.pyplot as plt
import networkx as nx
import gradio as gr

# Başlangıçta nöron sayıları
input_size = 3
hidden_size = 4
output_size = 2

# Grafik için boş bir yönlendirilmiş grafik oluşturma
G = nx.DiGraph()

# Nöronları güncelleme ve grafik oluşturma
def update_graph(input_size, hidden_size, output_size):
    # Integer türüne dönüştür
    input_size = int(input_size)
    hidden_size = int(hidden_size)
    output_size = int(output_size)

    # Ağı temizle
    G.clear()

    # Giriş katmanı nöronları
    for i in range(input_size):
        G.add_node(f'I{i}', layer='input')

    # Gizli katman nöronları
    for i in range(hidden_size):
        G.add_node(f'H{i}', layer='hidden')

    # Çıkış katmanı nöronları
    for i in range(output_size):
        G.add_node(f'O{i}', layer='output')

    # Giriş katmanından gizli katmana bağlantılar
    for i in range(input_size):
        for j in range(hidden_size):
            G.add_edge(f'I{i}', f'H{j}', weight=np.random.rand())

    # Gizli katmandan çıkış katmanına bağlantılar
    for j in range(hidden_size):
        for k in range(output_size):
            G.add_edge(f'H{j}', f'O{k}', weight=np.random.rand())

    # Nöronların pozisyonlarının hesaplanması
    pos = {}
    
    # Giriş katmanı pozisyonları
    for i in range(input_size):
        pos[f'I{i}'] = (0, 1 - (i / (input_size - 1)))  # Dikey olarak yerleştir

    # Gizli katman pozisyonları
    for i in range(hidden_size):
        pos[f'H{i}'] = (1, 1 - (i / (hidden_size - 1)))  # Dikey olarak yerleştir

    # Çıkış katmanı pozisyonları
    for i in range(output_size):
        pos[f'O{i}'] = (2, 1 - (i / (output_size - 1)))  # Dikey olarak yerleştir

    # Kenar ağırlıklarının görselleştirilmesi
    edges = G.edges(data=True)

    # Ağı görselleştirme
    plt.figure(figsize=(10, 6))
    nx.draw(G, pos, with_labels=True, node_size=2000, node_color='skyblue', font_size=12, font_weight='bold', arrows=True)
    nx.draw_networkx_edge_labels(G, pos, edge_labels={(u, v): f'{d["weight"]:.2f}' for u, v, d in edges})
    plt.title("MLP Modelinin Görselleştirilmesi", fontsize=16)
    plt.axis('off')  # Eksenleri kapat
    plt.tight_layout()  # Düzeni ayarla
    
    return plt

# Gradio arayüzü tanımlama
with gr.Blocks() as demo:
    gr.Markdown("### MLP Modeli Görselleştirici")
    
    input_slider = gr.Slider(minimum=1, maximum=10, value=input_size, label="Giriş Katmanı Nöron Sayısı")
    hidden_slider = gr.Slider(minimum=1, maximum=10, value=hidden_size, label="Gizli Katman Nöron Sayısı")
    output_slider = gr.Slider(minimum=1, maximum=10, value=output_size, label="Çıkış Katmanı Nöron Sayısı")
    
    output_plot = gr.Plot(label="MLP Model Grafiği")
    
    update_button = gr.Button("Güncelle")
    
    update_button.click(fn=update_graph, inputs=[input_slider, hidden_slider, output_slider], outputs=output_plot)

# Uygulamayı çalıştırma
demo.launch()