Merge pull request '7 laba' (#302) from verina_daria_lab_7 into main

Reviewed-on: http://student.git.athene.tech/Alexey/IIS_2023_1/pulls/302

verina_daria_lab_7/english.txt

@@ -0,0 +1 @@
+Amidst the bustling cityscape, where the rhythm of life beats in harmony with the urban pulse, each dawn brings forth a cascade of city lights painting the skyline in hues of gold and amber. Strangers pass with nods and smiles, creating a tapestry of diverse connections. Skyscrapers line the streets, reflecting the vibrant energy of a metropolis in constant motion. As night falls, the city's heartbeat resonates in lively gatherings at eclectic eateries, where stories are exchanged, and the city's vibrant spirit comes alive.

verina_daria_lab_7/english_generated.txt

@@ -0,0 +1 @@
+In the bustling cityscape where the rhythm of life beats in harmony with the urban pulse each dawn brings forth a cascade of city lights painting the skyline in hues of gold and amber strangers pass with nods and smiles creating a tapestry of diverse connections skyscrapers line the streets reflecting the vibrant energy of a metropolis in constant motion as night falls the city's heartbeat resonates in lively gatherings at

verina_daria_lab_7/main.py

@@ -0,0 +1,68 @@
+import numpy as np
+from tensorflow import keras
+from tensorflow.keras.preprocessing.text import Tokenizer
+from tensorflow.keras.preprocessing.sequence import pad_sequences
+
+def prepare_and_train_model(file_path, epochs):
+    # Считывание данных из файла
+    with open(file_path, encoding='utf-8') as f:
+        data = f.read()
+
+    # Создание токенизатора
+    tokenizer = Tokenizer()
+    tokenizer.fit_on_texts([data])
+
+    # Преобразование текста в последовательности чисел
+    sequences = tokenizer.texts_to_sequences([data])
+
+    # Создание обучающих данных
+    input_sequences = []
+    for sequence in sequences:
+        for i in range(1, len(sequence)):
+            n_gram_sequence = sequence[:i+1]
+            input_sequences.append(n_gram_sequence)
+
+    # Предобработка для получения одинаковой длины последовательностей
+    max_sequence_len = max([len(sequence) for sequence in input_sequences])
+    input_sequences = pad_sequences(input_sequences, maxlen=max_sequence_len, padding='pre')
+
+    # Разделение на входные и выходные данные
+    x, y = input_sequences[:, :-1], input_sequences[:, -1]
+
+    # Создание модели рекуррентной нейронной сети
+    model = keras.Sequential([
+        keras.layers.Embedding(len(tokenizer.word_index) + 1, 100, input_length=max_sequence_len-1),
+        keras.layers.Dropout(0.2),
+        keras.layers.LSTM(150),
+        keras.layers.Dense(len(tokenizer.word_index) + 1, activation='softmax')
+    ])
+
+    # Компиляция и обучение модели
+    model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
+    model.fit(x, y, epochs=epochs, verbose=1)
+
+    return model, tokenizer, max_sequence_len
+
+def generate_text_from_model(model, tokenizer, max_sequence_len, seed_text, next_words):
+    # Генерация текста
+    for _ in range(next_words):
+        token_list = tokenizer.texts_to_sequences([seed_text])[0]
+        token_list = pad_sequences([token_list], maxlen=max_sequence_len-1, padding='pre')
+        predicted = model.predict(token_list)
+        predict_index = np.argmax(predicted, axis=-1)
+        word = tokenizer.index_word.get(predict_index[0], '')
+        seed_text += " " + word
+
+    return seed_text
+
+model_rus, tokenizer_rus, max_sequence_len_rus = prepare_and_train_model('russian.txt', 150)
+rus_text_generated = generate_text_from_model(model_rus, tokenizer_rus, max_sequence_len_rus, "В", 55)
+
+model_eng, tokenizer_eng, max_sequence_len_eng = prepare_and_train_model('english.txt', 150)
+eng_text_generated = generate_text_from_model(model_eng, tokenizer_eng, max_sequence_len_eng, "In the", 69)
+
+with open('russian_generated.txt', 'w', encoding='utf-8') as f_rus:
+    f_rus.write(rus_text_generated)
+
+with open('english_generated.txt', 'w', encoding='utf-8') as f_eng:
+    f_eng.write(eng_text_generated)

verina_daria_lab_7/readme.md

@@ -0,0 +1,35 @@
+
+# Генератор Текста на Рекуррентных Нейронных Сетях
+## Общее задание
+
+Выбран художественный англоязычный текст для обучения рекуррентной нейронной сети (RNN) с целью генерации текста. Задача включает подбор архитектуры и параметров для приближения к максимально осмысленным результатам. Далее предусмотрено обмен разработанными сетями с партнером, проверка, как архитектура товарища справляется с вашим текстом, и в конечном итоге подбор компромиссной архитектуры, справляющейся хорошо с обоими видами текстов.
+
+## Задание по вариантам
+
+Вариант: Нечетный вариант (художественный англоязычный текст).
+Запуск программы
+Программу можно запустить через файл app.py.
+
+Технологии
+Язык программирования: Python
+Библиотеки: TensorFlow, Keras, Flask
+
+## Описание работы программы
+Программа реализует генерацию текста с использованием рекуррентных нейронных сетей (RNN) с помощью библиотек TensorFlow и Keras. Flask используется для создания веб-приложения, которое взаимодействует с моделью RNN. Пользователь вводит начальный текст (seed text) через веб-интерфейс, после чего программа отправляет запрос на сервер, который в свою очередь использует модель для генерации следующего участка текста, основываясь на введенном начальном тексте.
+
+Входные данные
+Текстовый файл (например, 'your_text_file.txt'), содержащий обучающие данные.
+Веб-интерфейс для ввода начального текста.
+Выходные данные
+Сгенерированный текст, отображаемый в веб-интерфейсе.
+
+## Вывод консоли:
+![img_2.png](img_2.png)
+![img_1.png](img_1.png)
+![img.png](img.png)
+
+## Получившийся текст: 
+In the bustling cityscape where the rhythm of life beats in harmony with the urban pulse each dawn brings forth a cascade of city lights painting the skyline in hues of gold and amber strangers pass with nods and smiles creating a tapestry of diverse connections skyscrapers line the streets reflecting the vibrant energy of a metropolis in constant motion as night falls the city's heartbeat resonates in lively gatherings at
+
+## Вывод: 
+В результате выполнения лабораторной работы были успешно созданы и обучены рекуррентные нейронные сети (RNN) для генерации текста на русском и английском языках. 

verina_daria_lab_7/russian.txt

@@ -0,0 +1 @@
+В захватывающем мире исследований глубокого космоса, где звезды танцуют свой бескрайний вальс, каждое утро начинается с таинственного свечения далеких галактик, окрашивая космическую панораму в оттенках изумрудных и сапфировых лучей. Космические путешественники встречают друг друга с уважением, обмениваясь впечатлениями о чудесах вселенной. Межзвездные аллеи украшены мерцающими астероидами, создавая ощущение бескрайнего волнения и удивления. По наступлении ночи исследователи созвездий собираются в космических кафе, где звездные истории обретают новые оттенки в мистической атмосфере.

verina_daria_lab_7/russian_generated.txt

@@ -0,0 +1 @@
+В захватывающем мире исследований глубокого где где звезды танцуют свой бескрайний вальс каждое каждое начинается с таинственного свечения далеких галактик окрашивая космическую панораму в оттенках изумрудных и сапфировых лучей космические путешественники встречают друг друга с уважением обмениваясь впечатлениями о чудесах вселенной межзвездные аллеи украшены мерцающими астероидами создавая ощущение бескрайнего волнения и удивления по наступлении ночи исследователи