volkov_rafael_lab_7 is done

volkov_rafael_lab_7/app.py

@@ -0,0 +1,87 @@
+import numpy as np
+import tensorflow as tf
+from keras.models import Sequential
+from keras.layers import Embedding, LSTM, Dense
+from flask import Flask, request, jsonify, render_template
+
+def load_and_preprocess_data(file_path, seq_length=100, step=3):
+    with open(file_path, 'r', encoding='utf-8') as file:
+        text = file.read()
+
+    chars = sorted(set(text))
+    char_to_idx = {char: idx for idx, char in enumerate(chars)}
+    idx_to_char = {idx: char for idx, char in enumerate(chars)}
+
+    sequences, next_chars = [], []
+
+    for i in range(0, len(text) - seq_length, step):
+        seq = text[i:i + seq_length]
+        target = text[i + seq_length]
+        sequences.append(seq)
+        next_chars.append(target)
+
+    X = np.zeros((len(sequences), seq_length), dtype=np.int32)
+    y = np.zeros((len(sequences),), dtype=np.int32)
+
+    for i, seq in enumerate(sequences):
+        for t, char in enumerate(seq):
+            X[i, t] = char_to_idx[char]
+        y[i] = char_to_idx[next_chars[i]]
+
+    return X, y, len(chars), char_to_idx, idx_to_char
+
+def build_model(seq_length, num_chars):
+    model = Sequential([
+        Embedding(num_chars, 50, input_length=seq_length),
+        LSTM(128),
+        Dense(num_chars, activation='softmax')
+    ])
+
+    model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
+
+    return model
+
+def train_model(model, X, y, epochs=100, batch_size=128):
+    model.fit(X, y, epochs=epochs, batch_size=batch_size)
+
+def generate_text(seed_text, model, seq_length, char_to_idx, idx_to_char, length=100, temperature=1.0):
+    generated_text = seed_text
+    for _ in range(length):
+        x = np.zeros((1, seq_length), dtype=np.int32)
+        for t, char in enumerate(seed_text):
+            x[0, t] = char_to_idx[char]
+        preds = model.predict(x, verbose=0)[0][-1]
+        preds = np.log(preds) / temperature
+        exp_preds = np.exp(preds)
+        preds = exp_preds / np.sum(exp_preds)
+        next_index = np.random.choice(len(preds), p=preds)
+        next_char = idx_to_char[next_index]
+        generated_text += next_char
+        seed_text = seed_text[1:] + next_char
+    return generated_text
+
+def create_flask_app(model, seq_length, char_to_idx, idx_to_char):
+    app = Flask(__name__)
+
+    @app.route('/')
+    def index():
+        return render_template('index.html')
+
+    @app.route('/generate_text', methods=['POST'])
+    def generate_text_endpoint():
+        data = request.get_json()
+        seed_text = data.get('seed_text', '')
+        generated_text = generate_text(seed_text, model, seq_length, char_to_idx, idx_to_char)
+        return jsonify({'generated_text': generated_text})
+
+    return app
+
+if __name__ == '__main__':
+    file_path = 'your_text_file.txt'
+    X, y, num_chars, char_to_idx, idx_to_char = load_and_preprocess_data(file_path)
+    seq_length = 100
+    model = build_model(seq_length, num_chars)
+    train_model(model, X, y, epochs=100, batch_size=128)
+
+    flask_app = create_flask_app(model, seq_length, char_to_idx, idx_to_char)
+    flask_app.run(port=5000)

volkov_rafael_lab_7/readme.md

@@ -0,0 +1,25 @@
+Общее задание:
+Выбрать художественный текст (четные варианты – русскоязычный, нечетные – англоязычный) и обучить на нем рекуррентную нейронную сеть
+для решения задачи генерации. Подобрать архитектуру и параметры так,чтобы приблизиться к максимально осмысленному результату. Далее
+разбиться на пары четный-нечетный вариант, обменяться разработанными сетями и проверить, как архитектура товарища справляется с вашим текстом. В завершении подобрать компромиссную архитектуру, справляющуюся достаточно хорошо с обоими видами текстов. 
+
+Задание по вариантам:
+четный вариант, художественный русскоязычный текст
+
+Запуск через файл app.py
+
+Технологии:
+
+Язык программирования: Python
+Библиотеки: TensorFlow, Keras, Flask
+Фронтенд: HTML, JavaScript
+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.

volkov_rafael_lab_7/templates/index.html

@@ -0,0 +1,80 @@
+<!DOCTYPE html>
+<html lang="en">
+<head>
+    <meta charset="UTF-8">
+    <meta name="viewport" content="width=device-width, initial-scale=1.0">
+    <title>RNN Text Generation</title>
+    <style>
+        body {
+            font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
+            text-align: center;
+            margin: 50px;
+            background-color: #f5f5f5;
+        }
+
+        h1 {
+            color: #333;
+        }
+
+        label {
+            display: block;
+            margin-top: 20px;
+            font-size: 18px;
+        }
+
+        #seed_text {
+            padding: 8px;
+            font-size: 16px;
+            width: 300px;
+        }
+
+        button {
+            background-color: #4caf50;
+            color: white;
+            padding: 10px 20px;
+            font-size: 16px;
+            border: none;
+            cursor: pointer;
+            transition: background-color 0.3s;
+        }
+
+        button:hover {
+            background-color: #45a049;
+        }
+
+        #output {
+            margin-top: 20px;
+            font-size: 18px;
+            white-space: pre-wrap;
+        }
+    </style>
+</head>
+<body>
+    <h1>RNN Text Generation</h1>
+    <label for="seed_text">Seed Text:</label>
+    <input type="text" id="seed_text" placeholder="Enter your seed text">
+    <button onclick="generateText()">Generate Text</button>
+    <div id="output"></div>
+
+    <script>
+        function generateText() {
+            const seedText = document.getElementById("seed_text").value;
+
+            fetch('http://127.0.0.1:5000/generate_text', {
+                method: 'POST',
+                headers: {
+                    'Content-Type': 'application/json',
+                },
+                body: JSON.stringify({ seed_text: seedText }),
+            })
+            .then(response => response.json())
+            .then(data => {
+                document.getElementById("output").innerText = data.generated_text;
+            })
+            .catch(error => {
+                console.error('Error:', error);
+            });
+        }
+    </script>
+</body>
+</html>