81 lines
2.8 KiB
Python
81 lines
2.8 KiB
Python
|
import numpy as np
|
|||
|
|
from keras.models import Sequential
|
|||
|
|
from keras.layers import LSTM, Dense, Embedding
|
|||
|
|
from keras.preprocessing.text import Tokenizer
|
|||
|
|
from keras.preprocessing.sequence import pad_sequences
|
|||
|
|
|
|||
|
|
|
|||
|
|
# filename = "russian_text.txt"
|
|||
|
|
filename = "english_text.txt"
|
|||
|
|
# Чтение текста из файла
|
|||
|
|
with open(filename, "r", encoding="utf-8") as f:
|
|||
|
|
text = f.read()
|
|||
|
|
|
|||
|
|
# Создание токенизатора
|
|||
|
|
tokenizer = Tokenizer()
|
|||
|
|
# Создает словарь вида (слово - индекс) на основе частоты использования слов
|
|||
|
|
# чем меньше индекс, тем чаще встречается слово
|
|||
|
|
# т.е. каждое слово принимает целочисленное значение
|
|||
|
|
tokenizer.fit_on_texts([text])
|
|||
|
|
|
|||
|
|
# print("Словарь:")
|
|||
|
|
# print(tokenizer.word_index)
|
|||
|
|
|
|||
|
|
# Преобразование текста в последовательность чисел
|
|||
|
|
sequences = tokenizer.texts_to_sequences([text])[0]
|
|||
|
|
vocab_size = len(tokenizer.word_index) + 1
|
|||
|
|
# print("\nЗакодированный текст:")
|
|||
|
|
# print(sequences)
|
|||
|
|
|
|||
|
|
# Длина входных последовательностей
|
|||
|
|
seq_length = 5
|
|||
|
|
|
|||
|
|
# Создание входных и выходных последовательностей
|
|||
|
|
X_data = []
|
|||
|
|
y_data = []
|
|||
|
|
for i in range(seq_length, len(sequences)):
|
|||
|
|
sequence = sequences[i - seq_length:i]
|
|||
|
|
target = sequences[i]
|
|||
|
|
X_data.append(sequence)
|
|||
|
|
y_data.append(target)
|
|||
|
|
|
|||
|
|
X = np.array(X_data)
|
|||
|
|
y = np.array(y_data)
|
|||
|
|
|
|||
|
|
# Создание модели
|
|||
|
|
model = Sequential()
|
|||
|
|
model.add(Embedding(input_dim=vocab_size, output_dim=128, input_length=seq_length))
|
|||
|
|
model.add(LSTM(256, return_sequences=True))
|
|||
|
|
model.add(LSTM(256))
|
|||
|
|
model.add(Dense(vocab_size, activation='softmax'))
|
|||
|
|
|
|||
|
|
# Компиляция модели
|
|||
|
|
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
|
|||
|
|
|
|||
|
|
# Обучение модели
|
|||
|
|
model.fit(X, y, epochs=500, batch_size=64, verbose=1)
|
|||
|
|
|
|||
|
|
# Начальная фраза для генерации
|
|||
|
|
seed_text = "an old woman"
|
|||
|
|
# Длина генерируемого текста
|
|||
|
|
gen_length = 100
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Функция для генерации текста
|
|||
|
|
def generate_text(seed_text, gen_length):
|
|||
|
|
generated_text = seed_text
|
|||
|
|
for _ in range(gen_length):
|
|||
|
|
sequence = tokenizer.texts_to_sequences([seed_text])[0]
|
|||
|
|
sequence = pad_sequences([sequence], maxlen=seq_length)
|
|||
|
|
prediction = model.predict(sequence, verbose=0)
|
|||
|
|
predicted_index = np.argmax(prediction)
|
|||
|
|
predicted_word = [word for word, index in tokenizer.word_index.items() if index == predicted_index][0]
|
|||
|
|
generated_text += " " + predicted_word
|
|||
|
|
seed_text += " " + predicted_word
|
|||
|
|
return generated_text
|
|||
|
|
|
|||
|
|
|
|||
|
|
# Генерация текста
|
|||
|
|
generated_text = generate_text(seed_text, gen_length)
|
|||
|
|
print(generated_text)
|