romanova_adelina_lab_7/README.md

@@ -0,0 +1,52 @@
+# Лабораторная работа №7. Вариант 21
+
+## Тема
+
+Рекуррентная нейронная сеть и задача генерации текста
+
+## Задание 
+
+- Выбрать художественный текст и обучить на нем рекуррентную нейронную сеть для  решения  задачи  генерации.  
+
+- Подобрать  архитектуру  и  параметры  так, чтобы  приблизиться  к  максимально  осмысленному  результату.
+
+## Используемые ресурсы
+
+ 1.  Художественный текст на английском языке ```wonderland.txt```
+
+ 2.  Python-скрипты: ```generate.py```, ```model.py```, ```train.py```.
+
+## Описание работы
+
+### Подготовка данных:
+В файле ```train.py``` реализована функция ```get_data```, которая загружает художественный текст, приводит его к нижнему регистру, и создает сопоставление символов числовым значениям.
+
+Текст разбивается на последовательности фиксированной длины ```seq_length```, и каждая последовательность связывается с символом, следующим за ней.
+
+Данные приводятся к тензорам PyTorch и нормализуются для обучения модели.
+
+### Архитектура модели:
+
+В файле ```model.py``` определен класс ```CharModel```, наследуемый от ```nn.Module``` и представляющий собой рекуррентную нейронную сеть.
+
+Архитектура модели включает в себя один слой LSTM с размером скрытого состояния 256, слой dropout для регуляризации и линейный слой для вывода результатов.
+
+### Обучение модели:
+
+В файле ```train.py``` реализован скрипт для обучения модели. Выбрана оптимизация Adam, функция потерь - ```CrossEntropyLoss```.
+
+Обучение происходит на GPU, если он доступен. Обучение проводится в течение нескольких эпох, с валидацией на каждой эпохе. Сохраняется лучшая модель.
+
+Процесс обучения модели:
+
+![](train_process.png "")
+
+### Генерация текста:
+
+В файле ```generate.py``` модель загружается из сохраненного состояния. Генерируется случайный промпт из исходного текста, и модель используется для предсказания следующего символа в цикле.
+
+## Вывод:
+
+![](generated_text.png "")
+
+В сгенерированном тексте можно найти осмысленные участки, поэтому можно сделать вывод, что модель действительно хорошо обучилась.

romanova_adelina_lab_7/generate.py

@@ -0,0 +1,46 @@
+import torch
+from model import CharModel
+import numpy as np
+
+if __name__ == "__main__":
+    best_model, char_to_int = torch.load("single-char.pth")
+    n_vocab = len(char_to_int)
+    int_to_char = dict((i, c) for c, i in char_to_int.items())
+
+
+    model = CharModel()
+    model.load_state_dict(best_model)
+
+    # randomly generate a prompt
+    filename = "wonderland.txt"
+    seq_length = 100
+    raw_text = open(filename, 'r', encoding='utf-8').read()
+    raw_text = raw_text.lower()
+
+    start = np.random.randint(0, len(raw_text)-seq_length)
+    prompt = raw_text[start:start+seq_length]
+    pattern = [char_to_int[c] for c in prompt]
+
+    model.eval()
+    print(f'Prompt:\n{prompt}')
+    print("==="*15, "Сгенерированный результ", "==="*15, sep=" ")
+
+    with torch.no_grad():
+        for i in range(1000):
+            # format input array of int into PyTorch tensor
+            x = np.reshape(pattern, (1, len(pattern), 1)) / float(n_vocab)
+            x = torch.tensor(x, dtype=torch.float32)
+            # generate logits as output from the model
+            prediction = model(x)
+            # convert logits into one character
+            index = int(prediction.argmax())
+            result = int_to_char[index]
+            print(result, end="")
+            # append the new character into the prompt for the next iteration
+            pattern.append(index)
+            pattern = pattern[1:]
+
+    print()        
+    print("==="*30)
+    print("Done.")
+    

romanova_adelina_lab_7/model.py

@@ -0,0 +1,16 @@
+import torch.nn as nn
+
+
+class CharModel(nn.Module):
+    def __init__(self, n_vocab):
+        super().__init__()
+        self.lstm = nn.LSTM(input_size=1, hidden_size=256, num_layers=1, batch_first=True)
+        self.dropout = nn.Dropout(0.2)
+        self.linear = nn.Linear(256, n_vocab)
+    def forward(self, x):
+        x, _ = self.lstm(x)
+        # take only the last output
+        x = x[:, -1, :]
+        # produce output
+        x = self.linear(self.dropout(x))
+        return x

romanova_adelina_lab_7/train.py

@@ -0,0 +1,86 @@
+import numpy as np
+import torch.nn as nn
+import torch.optim as optim
+import torch.utils.data as data
+import torch
+from model import CharModel
+
+
+def get_data(filename="wonderland.txt"):
+    # загружаем датасет и приводим к нижнему регистру
+    filename = "wonderland.txt"
+    raw_text = open(filename, 'r', encoding='utf-8').read()
+    raw_text = raw_text.lower()
+
+    # делаем сопоставление текста с соответствующим ему значением
+    chars = sorted(list(set(raw_text)))
+    char_to_int = dict((c, i) for i, c in enumerate(chars))
+
+    # статистика обучаемых данных
+    n_chars = len(raw_text)
+    n_vocab = len(chars)
+    print("Total Characters: ", n_chars)
+    print("Total Vocab: ", n_vocab)
+
+    # подготовка датасета
+    seq_length = 100
+    dataX = []
+    dataY = []
+    for i in range(0, n_chars - seq_length, 1):
+        seq_in = raw_text[i:i + seq_length]
+        seq_out = raw_text[i + seq_length]
+        dataX.append([char_to_int[char] for char in seq_in])
+        dataY.append(char_to_int[seq_out])
+    n_patterns = len(dataX)
+    print("Total Patterns: ", n_patterns)
+
+    # --- переводим данные к тензору, чтобы рабоать с ними внутри pytorch ---
+    X = torch.tensor(dataX, dtype=torch.float32).reshape(n_patterns, seq_length, 1)
+    X = X / float(n_vocab)
+    y = torch.tensor(dataY)
+    print(X.shape, y.shape)
+
+    return X, y, char_to_int
+
+
+def main():
+    X, y, char_to_int = get_data()
+
+    n_epochs = 40
+    batch_size = 128
+    model = CharModel()
+    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
+    print(f"device: {device}")
+    model.to(device)
+
+    optimizer = optim.Adam(model.parameters())
+    loss_fn = nn.CrossEntropyLoss(reduction="sum")
+    loader = data.DataLoader(data.TensorDataset(X, y), shuffle=True, batch_size=batch_size)
+
+    best_model = None
+    best_loss = np.inf
+
+    for epoch in range(n_epochs):
+        model.train()
+        for X_batch, y_batch in loader:
+            y_pred = model(X_batch.to(device))
+            loss = loss_fn(y_pred, y_batch.to(device))
+
+            optimizer.zero_grad()
+            loss.backward()
+            optimizer.step()
+
+        # Validation
+        model.eval()
+        loss = 0
+        with torch.no_grad():
+            for X_batch, y_batch in loader:
+                y_pred = model(X_batch.to(device))
+                loss += loss_fn(y_pred, y_batch.to(device))
+            if loss < best_loss:
+                best_loss = loss
+                best_model = model.state_dict()
+            print("Epoch %d: Cross-entropy: %.4f" % (epoch, loss))
+
+    torch.save([best_model, char_to_int], "single-char.pth")
+