# Лабораторная работа №4. Использование нейронных сетей для генерации текста 

## Цель работы

Получить практические навыки решения задачи генерации текста.

## Задание

1. Загрузить выборку стихотворений одного из поэтов в соответствии с вариантом.
2. Познакомиться с данными. Проанализировать статистические характеристики исходных данных (среднюю длину стихотворения, среднюю длину строки).
3. Подготовить выборку для обучения.
4. Построить нейронную сеть. Тип ячейки RNN выбрать в соответствии с вариантом.
5. Обучить нейронную сеть на разных количествах эпох (5, 15, 30, 50, 70) при зафиксированных параметрах embedding_dim = 256, rnn_units = 300, T = 0.3 и сравнить результаты генерации (тексты), перплексию и статистические характеристики сгенерированных текстов. Выбрать оптимальное количество эпох
7. Изменяя параметр температуры T проанализировать изменения сгенерированного текста. Выбрать оптимальное значение параметра.
8. Проанализировать зависимость перплексии, скорости обучения, результатов генерации от параметров нейронной сети embedding_dim, rnn_units:
embedding_dim = {vocab/4, vocab/2, vocab, vocab * 2, vocab * 4},  где vocab = размер словаря выборки.  
rnn_units = {10, 100, 300, 500}

## Указания

Для работы рекомендуется использовать Google Colab вместо Jupyter Notebook для ускорения расчетов.

## Варианты заданий

### Поэт

Четные номера по журналу - Пушкин, нечетные - Маяковский. 

### Тип ячейки RNN

Остаток от деления номера по журналу на 3:
* 0 - https://keras.io/api/layers/recurrent_layers/simple_rnn/
* 1 - https://keras.io/api/layers/recurrent_layers/lstm/
* 2 - https://keras.io/api/layers/recurrent_layers/gru/

## Контрольные вопросы

1. В чем особенность рекуррентных нейронных сетей?
2. Типы рекуррентных сетей - обычная RNN
3. Типы рекуррентных сетей - LSTM
4. Типы рекуррентных сетей - GRU
5. Что такое и как вычисляется перплексия