IIS_2023_1/romanova_adelina_lab_7
2023-12-25 01:19:51 +04:00
..
generate.py romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
generated_text.png romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
model.py romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
README.md romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
single-char.pth romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
train_process.png romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
train.py romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00
wonderland.txt romanova_adelina_lab_7 is ready 2023-12-25 01:19:51 +04:00

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:

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:

В сгенерированном тексте можно найти осмысленные участки, поэтому можно сделать вывод, что модель действительно хорошо обучилась.