**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.

**Как запустить лабораторную**
***
Запустить файл main.py

**Используемые технологии**
***
Библиотеки tensorflow, numpy, их компоненты

**Описание лабораторной (программы)**
***
Данный код представляет собой пример использования рекуррентной нейронной сети LSTM (Long Short-Term Memory) с использованием библиотеки Keras для обучения модели генерации текста на русском языке.

Описание работы кода:
1. Загрузка и предобработка данных:
   - Импортируются необходимые библиотеки, включая TensorFlow, NumPy и Keras.
   - Открывается файл с русским текстом "rus.txt" и считывается его содержимое в переменную "rus_text".
   - Создается объект "tokenizer_rus" для токенизации текста на отдельные слова.
   - Производится обучение токенизатора на предоставленном русском тексте.
   - Вычисляется общий размер словаря на основе уникальных слов в тексте.
   - Преобразование входных и выходных последовательностей текста в числовой формат, используя токенизатор.
   - Выравнивание входных последовательностей до максимальной длины для обеспечения единой размерности.

2. Построение модели:
   - Создается объект модели Sequential.
   - Добавляется слой Embedding для преобразования числовых представлений слов в векторные представления.
   - Добавляется слой LSTM для анализа последовательности входных данных.
   - Добавляется полносвязный слой Dense с функцией активации softmax для прогнозирования следующего слова.
   - Компилируется модель с выбранным оптимизатором и функцией потерь.

3. Обучение модели:
   - Обучение модели на тренировочных данных с выбранными параметрами batch_size и epochs.

4. Функция генерации текста:
   - Создается функция generate_text, которая принимает модель, токенизатор, максимальную длину последовательности и начальный текст.
   - В цикле генерируются следующие слова на основе текущего состояния модели и добавляются к выходному тексту.
   - Функция возвращает сгенерированный текст.

5. Генерация текста на основе обученной модели:
   - Вызывается функция generate_text, передавая ей обученную модель, токенизатор, максимальную длину последовательности и начальный текст.
   - Выводятся результаты, включая потери модели на тренировочных данных и сгенерированный текст на основе обученной модели.
**Результат**
***
Результат сгенерированного текста на русском языке: Был мальчик по имени тимофей он жил в маленьком домике на краю леса у него была большая мечта – стать лучшим рыцарем во всей стране каждый день тимофей тренировался с мечом прыгал через препятствия и никогда не терял надежды он знал что для достижения своей мечты нужно много работать и верить в себя однажды когда тимофей был в лесу он услышал громкий крик он поспешил к месту откуда раздавался крик и увидел что дракон похитил принцессу тимофей решил спасти её и стать настоящим героем он с силой размахнулся мечом и атаковал дракона они долго сражались но тимофей был очень храбрым

Потери на тренировочных данных: 0.026399850845336914

Вывод: текст получился немного сокращенным, так как стоит ограничение в 100 слов, но довольно похожим и несущим примерный смысл той истории, которая находится в файле.