в процессе

basharin_sevastyan_lab_7/main.py

@@ -0,0 +1,70 @@
+import torch
+import torch.nn as nn
+import tensorflow as tf
+from keras.models import Sequential
+from keras.layers import Embedding, LSTM, Dense
+
+with open('69209.txt', "r") as file:
+    text = file.read()
+
+# Предварительная обработка текста (в зависимости от вашей задачи)
+
+# Создание словаря для отображения слов в индексы и обратно
+tokenizer = tf.keras.preprocessing.text.Tokenizer()
+tokenizer.fit_on_texts([text])
+total_words = len(tokenizer.word_index) + 1
+
+# Подготовка данных для обучения (в зависимости от вашей задачи)
+
+input_sequences = []
+for line in text.split('\n'):
+    token_list = tokenizer.texts_to_sequences([line])[0]
+    for i in range(1, len(token_list)):
+        n_gram_sequence = token_list[:i+1]
+        input_sequences.append(n_gram_sequence)
+
+max_sequence_length = max([len(x) for x in input_sequences])
+input_sequences = tf.keras.preprocessing.sequence.pad_sequences(input_sequences, maxlen=max_sequence_length, padding='pre')
+X, y = input_sequences[:,:-1],input_sequences[:,-1]
+y = tf.keras.utils.to_categorical(y, num_classes=total_words)
+
+# Определение архитектуры модели
+
+model = Sequential()
+model.add(Embedding(total_words, 50, input_length=max_sequence_length-1))
+model.add(LSTM(100))
+model.add(Dense(total_words, activation='softmax'))
+
+# Компиляция модели
+
+model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
+
+# Обучение модели
+
+model.fit(X, y, epochs=100, verbose=2)
+
+# Генерация текста с использованием обученной модели
+
+def generate_text(seed_text, next_words, model, max_sequence_length):
+    for _ in range(next_words):
+        token_list = tokenizer.texts_to_sequences([seed_text])[0]
+        token_list = tf.keras.preprocessing.sequence.pad_sequences([token_list], maxlen=max_sequence_length - 1,
+                                                                   padding='pre')
+        predicted = model.predict_classes(token_list, verbose=0)
+
+        output_word = ""
+        for word, index in tokenizer.word_index.items():
+            if index == predicted:
+                output_word = word
+                break
+        seed_text += " " + output_word
+
+    return seed_text
+
+
+# Пример генерации текста (замените seed_text и next_words на свои значения)
+seed_text = "your seed text here"
+next_words = 50
+generated_text = generate_text(seed_text, next_words, model, max_sequence_length)
+
+print(generated_text)