import tensorflow as tf
import numpy as np
from tensorflow.keras import layers
#from tensorflow.keras.layers.experimental import preprocessing

import tensorflow.keras as kr

#import scipy as sc
#import matplotlib.pyplot as plt

X = np.array([0,2,4])
Y = np.array([0,2,4])
Z = np.array([[0]])
# Make numpy values easier to read.
np.set_printoptions(precision=1, suppress=True)



lr = 0.01           # learning rate
nn = [1, 12, 16, 1]  # número de neuronas por capa.


# Creamos el objeto que contendrá a nuestra red neuronal, como
# secuencia de capas.
capa_0 = layers.Dense(1, activation="relu");
model = tf.keras.Sequential([
                layers.Dense(nn[0], activation='sigmoid'),
                layers.Dense(nn[1], activation='relu'),
                layers.Dense(nn[2], activation='relu'),
                layers.Dense(nn[3], activation='sigmoid')
        ])


# Compilamos el modelo, definiendo la función de coste y el optimizador.
model.compile(loss='mse', optimizer=kr.optimizers.SGD(lr=0.01), metrics=['acc'])
# model.compile(loss='mse', optimizer = tf.optimizers.Adam(), metrics=['acc'])

print("Y entrenamos al modelo. Los callbacks")

# Y entrenamos al modelo. Los callbacks
model.fit(X, Y, epochs=100, verbose=1)
valor =1
while valor!=0:
    print("Ingresa un valor para predecir")

    valor =int(input("z="))
    Z[[0]] =valor
    print(model.predict(Z))