kochkareva_elizaveta_lab_7 is ready

kochkareva_elizaveta_lab_7/README.md

@@ -0,0 +1,91 @@
+
+# Лабораторная работа 7. Вариант 15
+
+### Задание
+Выбрать художественный текст (нечетные варианты – англоязычный) и обучить на нем рекуррентную нейронную сеть
+для решения задачи генерации. Подобрать архитектуру и параметры так,
+чтобы приблизиться к максимально осмысленному результату.
+
+
+### Как запустить лабораторную работу
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+### Какие технологии использовали
+- Библиотека *numpy* для работы с массивами.
+- Библиотека *tensorflow* - для машинного обучения. Она предоставляет инструменты для создания и обучения различных моделей машинного обучения, включая нейронные сети.
+
+### Описание лабораторной работы
+Для данной лабораторной работы был взят текст на 1596 строк текста.
+
+```python
+ with open('V3001TH2.txt', 'r', encoding='utf-8') as f:
+        text = f.read()
+```
+
+Далее создали  список уникальных символов `chars`, а также словари `char_to_index` и `index_to_char`, которые используются для преобразования символов в индексы и наоборот.
+
+```python
+chars = sorted(list(set(text)))
+char_to_index = {char: index for index, char in enumerate(chars)}
+index_to_char = {index: char for index, char in enumerate(chars)}
+```
+
+После чего можем генерировать ренировочные данные `train_x` и `train_y`. `train_x` содержит последовательности символов длиной `seq_length` из текста, а `train_y` содержит следующий символ после каждой входной последовательности. Каждый символ преобразуется в соответствующий индекс, используя словарь `char_to_index`.
+
+```python
+# Генерация тренировочных данных
+seq_length = 100  # Длина входной последовательности
+train_x = []
+train_y = []
+for i in range(0, text_length - seq_length, 1):
+    input_seq = text[i:i + seq_length]
+    output_seq = text[i + seq_length]
+    train_x.append([char_to_index[char] for char in input_seq])
+    train_y.append(char_to_index[output_seq])
+```
+
+Далее преобразуем `train_x` в трехмерный массив с размерностью (количество примеров, `seq_length`, 1).
+Нормализуем значения `train_x` путем деления на `num_chars` и преобразуем `train_y` в `one-hot` представление с помощью `tf.keras.utils.to_categorical.`
+
+```python
+train_x = np.reshape(train_x, (len(train_x), seq_length, 1))
+train_x = train_x / float(num_chars)
+train_y = tf.keras.utils.to_categorical(train_y)
+```
+Теперь переходим к созданию модели рекуррентной нейронной сети с `LSTM` слоем, принимающим входные данные размерности `(train_x.shape[1], train_x.shape[2])` и плотным слоем с активацией softmax.
+Компилируем модель с функцией потерь `categorical_crossentropy` и оптимизатором `adam`.
+
+```python
+model = tf.keras.Sequential([
+        tf.keras.layers.LSTM(128, input_shape=(train_x.shape[1], train_x.shape[2])),
+        tf.keras.layers.Dense(num_chars, activation='softmax')
+    ])
+
+    model.compile(loss='categorical_crossentropy', optimizer='adam')
+```
+
+Обучаем модель на тренировачных данных с заданным количеством эпох - 80 и размером пакета - 128.
+```
+model.fit(train_x, train_y, epochs=80, batch_size=128)
+```
+
+Генерируется текст, начиная с случайного индекса `start_index` в `train_x`. Затем, на каждой итерации цикла, модель предсказывает следующий символ, добавляет его к сгенерированному тексту и обновляет `start_seq` для использования в следующей итерации.
+Записывает сгенерированный текст в файл *'сгенерированный_текст.txt'*.
+
+Результат выполнения:
+
+```
+Ih ses shven they to tore a fit oo th toie th sook a buck and tore tote a siee fot oo the searen.
+Jnd buonds sore toee th the shele and thans to the siee and soans tie his and tooning tie hit cnd toens the his and croninng his bioter. 
+ 
+
+— Iod you ducking tooeeds so toieg a buck and to bor aeeut tore a sigee oo toire a ducn fo toine to see sooeee oo the saelen. Tnd blond toees the sirt and that the sooel and thai to the soeee of the shale. 
+ 
+
+"Iotk toe ffcrtes," Vincent says suth a suine and a
+```
+### Вывод
+
+Текст содержит некоторые слова и фразы, которые кажутся некорректными или непонятными. Это может быть связано с недостаточным количеством обучающих данных или эпох обучения.

kochkareva_elizaveta_lab_7/main.py

@@ -0,0 +1,64 @@
+import numpy as np
+import tensorflow as tf
+
+
+def recurrent_neural_network():
+    # Загрузка текстового файла и предварительная обработка данных
+    with open('V3001TH2.txt', 'r', encoding='utf-8') as f:
+        text = f.read()
+
+    chars = sorted(list(set(text)))
+    char_to_index = {char: index for index, char in enumerate(chars)}
+    index_to_char = {index: char for index, char in enumerate(chars)}
+
+    num_chars = len(chars)
+    text_length = len(text)
+
+    # Генерация тренировочных данных
+    seq_length = 100  # Длина входной последовательности
+    train_x = []
+    train_y = []
+    for i in range(0, text_length - seq_length, 1):
+        input_seq = text[i:i + seq_length]
+        output_seq = text[i + seq_length]
+        train_x.append([char_to_index[char] for char in input_seq])
+        train_y.append(char_to_index[output_seq])
+
+    train_x = np.reshape(train_x, (len(train_x), seq_length, 1))
+    train_x = train_x / float(num_chars)
+    train_y = tf.keras.utils.to_categorical(train_y)
+
+    model = tf.keras.Sequential([
+        tf.keras.layers.LSTM(128, input_shape=(train_x.shape[1], train_x.shape[2])),
+        tf.keras.layers.Dense(num_chars, activation='softmax')
+    ])
+
+    model.compile(loss='categorical_crossentropy', optimizer='adam')
+
+    # Обучение модели
+    model.fit(train_x, train_y, epochs=80, batch_size=128)
+
+    # Генерация текста
+    start_index = np.random.randint(0, len(train_x) - 1)
+    start_seq = train_x[start_index]
+
+    generated_text = ''
+    for _ in range(500):
+        x = np.reshape(start_seq, (1, len(start_seq), 1))
+        x = x / float(num_chars)
+
+        prediction = model.predict(x, verbose=0)
+        index = np.argmax(prediction)
+        result = index_to_char[index]
+
+        generated_text += result
+        start_seq = np.append(start_seq, index)
+        start_seq = start_seq[1:]
+
+    with open('сгенерированный_текст.txt', 'w', encoding='utf-8') as f:
+        f.write(generated_text)
+
+
+if __name__ == '__main__':
+    recurrent_neural_network()
+

kochkareva_elizaveta_lab_7/сгенерированный_текст.txt

@@ -0,0 +1,8 @@
+Ih ses shven they to tore a fit oo th toie th sook a buck and tore tote a siee fot oo the searen.
+Jnd buonds sore toee th the shele and thans to the siee and soans tie his and tooning tie hit cnd toens the his and croninng his bioter. 
+ 
+
+— Iod you ducking tooeeds so toieg a buck and to bor aeeut tore a sigee oo toire a ducn fo toine to see sooeee oo the saelen. Tnd blond toees the sirt and that the sooel and thai to the soeee of the shale. 
+ 
+
+"Iotk toe ffcrtes," Vincent says suth a suine and a