Жукова Алина ПИбд-41

from sre_parse import Tokenizer

import numpy as np
from flask import Flask
from keras.layers import Dense, LSTM, Embedding
from keras.models import load_model, Sequential
from keras_preprocessing.sequence import pad_sequences

app = Flask(__name__)


@app.route("/")
def home():
    return "<html>" \
           "<h1>Жукова Алина ПИбд-41</h1>" \
           "<h1>Лабораторная работа №7</h1>" \
           "<table>" \
           "<td>" \
           "<form Action='http://127.0.0.1:5000/k4_1_task_7' Method=get>" \
           "<input type=submit value='Генерация текста'>" \
           "</form>" \
           "</td>" \
           "</table>" \
           "</html>"

# Реккурентная нейронная сеть, генерация текста
# 10 вариант
@app.route("/k4_1_task_7", methods=['GET'])
def k4_1_task_7():
    # Загрузка текста из файла
    # Русский текст
    # with open('lab_4_1__7_text_rus.txt', 'r', encoding='utf-8') as file:
    #     text = file.read()
    # Анлглийский текст
    with open('lab_4_1__7_text_eng.txt', 'r', encoding='utf-8') as file:
        text = file.read()

    # Создание Tokenizer и токенизация текста
    tokenizer = Tokenizer(char_level=True)
    tokenizer.fit_on_texts(text)

    # Преобразование текста в последовательность чисел
    sequences = tokenizer.texts_to_sequences(text)

    # Подготовка обучающих данных
    seq_length = 100
    dataX, dataY = [], []
    for i in range(0, len(sequences) - seq_length):
        seq_in = sequences[i:i + seq_length]
        seq_out = sequences[i + seq_length]
        dataX.append(seq_in)
        dataY.append(seq_out)

    dataX = np.array(dataX)
    dataY = np.array(dataY)

    # Создание модели
    vocab_size = len(tokenizer.word_index) + 1
    embedding_dim = 256
    rnn_units = 1024

    model = Sequential()
    model.add(Embedding(input_dim=vocab_size, output_dim=embedding_dim, input_length=seq_length))
    model.add(LSTM(units=rnn_units))
    model.add(Dense(units=vocab_size, activation='softmax'))

    model.compile(loss='sparse_categorical_crossentropy', optimizer='adam')

    # Загрузка модели
    # РУсская модель
    # model = load_model('lab_4_1__7_model.keras')
    # Английская модель
    model = load_model('lab_4_1__7_model_eng.keras')
    print("Loaded model from disk")


    # Обучение модели
    # batch_size = 64
    # model.fit(dataX, dataY, epochs=15, batch_size=batch_size)


    def generate_text(seed_text, gen_length):
        generated_text = seed_text

        for _ in range(gen_length):
            sequence = tokenizer.texts_to_sequences([seed_text])[0]
            sequence = pad_sequences([sequence], maxlen=seq_length)
            prediction = model.predict(sequence)[0]
            predicted_index = np.argmax(prediction)
            predicted_char = tokenizer.index_word[predicted_index]
            generated_text += predicted_char
            seed_text += predicted_char
            seed_text = seed_text[1:]

        return generated_text

    # Пример использования
    start_phraze = "Black cat"
    # Русский
    # generated_text = generate_text("Невероятный котик", 250)
    # Английский
    generated_text = generate_text(start_phraze, 250)

    i = 10

    # Сохранение модели
    # Русская модель
    # model.save('C:/Users/Alina/PycharmProjects/lab1/lab_4_1__7_model.keras')
    # Английская модель
    # model.save('C:/Users/Alina/PycharmProjects/lab1/lab_4_1__7_model_eng.keras')
    # print("Saved model to disk")

    return "<html>" \
       "<h1></h1>" \
       "<h2>Вариант 10. Задание 7 - Генерация текста</h2>" \
       "<h2> Сгенерированный текст, начальная фраза " + start_phraze + ": " + str(generated_text) + " </h2>" \
       "</html>"

if __name__ == "__main__":
    app.run(debug=True)