| .. | ||
| gusev_vladislav_lab_7.py | ||
| img_1.png | ||
| img_2.png | ||
| img_3.png | ||
| img_4.png | ||
| img.png | ||
| README.md | ||
| text_eng.txt | ||
| text_ru.txt | ||
Вариант 9
Задание на лабораторную работу:
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.
Как запустить лабораторную работу:
Выполняем файл gusev_vladislav_lab_7.py, решение будет в консоли.
Технологии
Keras - это библиотека для Python, позволяющая легко и быстро создавать нейронные сети. NumPy - библиотека для работы с многомерными массивами.
По коду
- Читаем файл с текстом
- Создаем объект tokenizer для превращение текста в числа для нейронной сети.
- Создаем модель нейронной сети с следующими аргументами:
- Embedding - это слой, который обычно используется для векторного представления категориальных данных, таких как слова или символы. Он позволяет нейронной сети изучать эмбеддинги, то есть отображение слов (или символов) в вектора низкой размерности. Это позволяет сети понимать семантические отношения между словами.
- LSTM - это слой, представляющий собой рекуррентный нейрон, который способен учитывать зависимости в последовательных данных. Он хорошо подходит для обработки последовательных данных, таких как текст.
- Dense - это полносвязный слой, который принимает входные данные и применяет весовые коэффициенты к ним. Этот слой часто используется в конце нейронных сетей для решения задачи классификации или регрессии.
- Обучаем модель на 100 эпохах (итерациях по данным) и генерируем текст.
Английский 100 эпох
Русский 100 эпох
Русский 17 эпох
По консоли
- Английский текст генерировался на 100 эпохах, начало получилось осмысленным, но чем ближе к концу тем хуже.
- Русский текст также генерировался на 100 эпохах, с многочисленными ошибками в словах. Русский текст,сгенерированный на 17 эпохах по ошибкам в словах оказался лучше, но всё равно не идеально.