# Лабораторная работа №7: Рекуррентная нейронная сеть и задача генерации текста
## Задание. Вариант 28

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. 

## Описание программы

Данная программа обучается на двух текстах русскоязычном и англоязычном (2912 слов в англоязычном тесте и 1908 в 
русскоязычном). В программе по итогу была реализованна архитектура справляющаяся с обоими видами текстов.

## Как запустить лабораторную работу

1. Установите необходимые библиотеки:

    ```bash
    pip install tensorflow
    pip install keras
    ```

2. Запустите скрипт:

    ```bash
    python main.py
    ```
   
## Использованные технологии

- Python
- tensorflow
- keras

## Что программа делает

Программа загружает данные, считывает текста из файлов rus.txt и eng.txt. Далее для обоих текстов происходит следующее:
Происходит токенизация текста на отдельные слова. Создание последовательностей (n-грамм) для обучения модели. 
Использование рекуррентной нейронной сети (RNN) с LSTM слоями. Потом происходит обучение модели на подготовленных данных. 
Использование обученной модели для предсказания следующего слова на основе введенного текста. В конце программа выводит 
сгенерированные текста.

## Тесты

Запуск программы с 20-ю эпохами:
![Графики моделей](img/work20.png)

Вывод русскоязычного текста с 20-ю эпохами:
![Графики моделей](img/rus20.png)

Текст:
> Начало широким надень дочка старик и откуда вдруг ледяной уж август и пошла так на выручили на дверей и тебе перед 
> беседуют старику тут сосульки висели они ни обогнал в лесу присесть стукнул считать ждать на сказала да месяцы неба 
> покрытая дочку и тихо опять и под между зеленые вязанкой достает

Вывод англоязычного текста с 20-ю эпохами:
![Графики моделей](img/eng20.png)

Текст:
> Start if i back ‘i i’m sure we ’ any worked is has aloud into dinner has three coming surprised to soon about the 
> back all he said to have thing mr britnell exactly across when he saw that looked at the picture before — a very 
> dark he with the

Запуск программы с 100-й эпохами:
![Графики моделей](img/work100.png)

Вывод русскоязычного текста с 100-й эпохами:
![Графики моделей](img/rus100.png)

Текст:
> Начало ему свою длинную бороду старик и говорит сестра — уже домой вернулась а подснежники где за нею замерзнуть 
> ворох подснежников чем корзинкой подснежников не выглянут мартом ворох подснежников какие сладких а май обогнал бы 
> апрель месяцы не гаснет он за подарили где пожарче и стала греться замолчали братья месяцы тихо

Вывод англоязычного текста с 100-й эпохами:
![Графики моделей](img/eng100.png)

Текст:
> Start a see ’ said nisbet ‘but i must have but what i must do first i must ask garwood exactly what he saw when he 
> looked at the picture last night then i must have the picture photographed before it goes any further and thirdly i 
> must find out where

Перевод англоязычных текстов с помощью Google-переводчика:
![Графики моделей](img/translation.png)

## Вывод

_Смотря на тесты можно заметить что текст с 20-ю эпохами является по сути несвязным набором слов, в отличие от 100 где 
уже прослеживаются вполне связный ряд словосочетаний и местами текст обретает хоть какой-то смысл в случае русскоязычного 
можно догадаться что основной темой являются подснежники. С англоязычным текстом разница заметна ещё лучше поскольку
англоязычный текст больше. Подводя итоги можно сделать вывод, что количество эпох, а так же объём текста на котором 
обучается рекуррентная нейронная сеть влияет на конечный генерируемый текст._

---