import streamlit as st
import matplotlib.pyplot as plt
import networkx as nx


st.set_page_config(page_title="APRENDIZADO FEDERADO PARA PREVISÃO DE DEMANDA ENERGÉTICA", page_icon=":bar_chart:", layout="wide", initial_sidebar_state="auto")

st.markdown("<h2 style='text-align: center;'>FL com Flower </h2>", unsafe_allow_html=True)
st.sidebar.image("images/logo_inmetro.jpg", width=200)
st.sidebar.title("FL Inmetro")

secao = st.sidebar.radio("Ir para:", ["🏠 Início", "📚 Artigos", "ℹ️ Sobre"])

if secao == "🏠 Início":

    intro, agregamentos, clients_server,FL,sainda, integracao_rpi = st.tabs(['Introducão', 'Métodos de Agregação', 
        'Criando o Cliente e Servidor', 'Modelo', 'Saida', 'Integração com RPI'])

    with intro:

        st.title("Aprendizado Federado")

        col1, col2 = st.columns(2)

        with col1:
            # Introdução

            st.markdown("""
            Este projeto explora o aprendizado federado utilizando o **Flower**.
            Os principais passos incluem:
            - Criar código básico de FL com Flower
            - Configurar clientes e servidor
            - Testar na base CIFAR-10
            """)
            
        with col2:
            # Criando um fluxograma do processo
            st.markdown("""
            1. **Aprender FL com Flower**: Estudo e configuração inicial.
            2. **Criar Clientes e Servidor**: Implementação prática do FL.
            3. **Testar na base CIFAR-10**: Avaliação do modelo treinado.
            4. **Analisar Resultados**: Verificação do desempenho do modelo.
            """)
    with agregamentos:
        col1, col2 = st.columns(2)
        with col1:
            st.subheader(
            """
            Federated Averaging (FedAvg)
            """
            )
            st.image("./images/fedavg.png")
            st.markdown("[McMaham et al. 2023. Communication-Efficient Learning of Deep Networks from Decentralized Data](https://arxiv.org/pdf/1602.05629)")

            st.markdown("""
            - Normalmente, a taxa de convergência do FEDAVG piora com a heterogeneidade do cliente.
            - 
            """)
        with col2:
            st.subheader("FedAdagrad, FedYogi, FedAdam")
            st.image('./images/FedAdaGrad-Yogi-Adam.png')
            st.markdown("[Reddi et al. DAPTIVE FEDERATED OPTIMIZATION](https://arxiv.org/pdf/2003.00295)")

        
        
    with clients_server:
        st.subheader("1. Criar Código de FL com Flower")
        st.code("""
            import flwr as fl
            import tensorflow as tf

            # Definição do modelo e cliente FLwr
            class Client(fl.client.NumPyClient):
                def get_parameters(self, config):
                    return model.get_weights()
                def fit(self, parameters, config):
                    model.set_weights(parameters)
                    model.fit(X_train, y_train, epochs=1)
                    return model.get_weights(), len(X_train), {}

            fl.client.start_numpy_client(server_address="127.0.0.1:8080", client=Client())
            """, language='python')

        st.subheader("2. Criar e Gerenciar Clientes e Servidor")
        st.code("""
            # Servidor FLwr
            import flwr as fl
            fl.server.start_server(config=fl.server.ServerConfig(num_rounds=3))
            """, language='python')

        st.subheader("3. Testar na Base CIFAR-10")
        st.markdown("Carregando e treinando modelo na base CIFAR-10...")

if secao == "ℹ️ Sobre":
    st.markdown(
        """
        Este é um projeto para previsão de demanda de combustível utilizando aprendizado federado.
        Integrantes:
        - João
        - Erick
        - José Wilson
        """
    )
if secao == "📚 Artigos":
    st.markdown(
        """
        ### Referências
        - FedAVG

        [McMaham et al. 2023. Communication-Efficient Learning of Deep Networks from Decentralized Data](https://arxiv.org/pdf/1602.05629)
        
        - ADAGRAD, ADAM, YOGI

        [Reddi et al. DAPTIVE FEDERATED OPTIMIZATION](https://arxiv.org/pdf/2003.00295)
        """
    )