Details
Title | Генерация карт для коллекционно-карточных игр с помощью нейронной сети: выпускная квалификационная работа бакалавра: направление 09.03.04 «Программная инженерия» ; образовательная программа 09.03.04_01 «Технология разработки и сопровождения качественного программного продукта» |
---|---|
Creators | Чижов Никита Владиславович |
Scientific adviser | Леонтьева Татьяна Владимировна |
Organization | Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий |
Imprint | Санкт-Петербург, 2022 |
Collection | Выпускные квалификационные работы ; Общая коллекция |
Subjects | генеративно-состязательные сети ; GPT-2 ; генерация текстов ; нейронные сети ; машинное обучение ; generative adversarial networks ; text generation ; neural network ; machine learning |
Document type | Bachelor graduation qualification work |
File type | |
Language | Russian |
Level of education | Bachelor |
Speciality code (FGOS) | 09.03.04 |
Speciality group (FGOS) | 090000 - Информатика и вычислительная техника |
DOI | 10.18720/SPBPU/3/2022/vr/vr22-3178 |
Rights | Доступ по паролю из сети Интернет (чтение, печать) |
Record key | ru\spstu\vkr\19814 |
Record create date | 1/18/2023 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Group | Anonymous |
---|---|
Network | Internet |
Нейронные сети и сети для генерации текста, такие как GPT-2, заработали большую популярность в разных областях применения. Нейронные сети такого типа часто используются исследователями и энтузиастами для получения ответов на заданные вопросы или для создания текстов по определённому формату. К примеру, такие модели могут использоваться при создании игр. В рамках квалификационной работы реализован алгоритм дополнительного обучения моделей генерации текста при помощи генеративно-состязательного метода. Одна из целей работы – определить, способны ли модели дополнительно обучиться особенностям данных при использовании данного метода. В будущем метод может быть улучшен и модифицирован. Анализ эффективности моделей будет проводиться на основании исследования опроса группы пользователей, которым была поставлена задача на выделение лучшего вывода сети. В качестве основной модели, в работе используется GPT-2. Данная модель используется как в качестве генератора, так и в виде классификатора в роли дискриминатора в генеративно-состязательной модели. Все модели были построены и обучены при помощи pyTorch. Тестовая страница в сети Интернет была создана при помощи Flask.
Neural networks, and text generation models like GPT-2, gained popularity in various applications. Text generation networks usually help researchers and enthusiasts to answer on given questions or to generate text like some style or format. For example, they can be used to generate ideas for games. In this paper will be covered complex algorithm of model training using standard fine-tuning and Generative Adversarial method. One objective is to evaluate, is this method can be used for text generation tuning and identify potential problems. In the future this algorithm can be modified further, to fit problems better. An analysis of algorithm effectivity will be evaluated with group of users that will be tasked to select most fitting text for given problem. In this paper GPT-2 was used as main model. GPT-2 language model was used for text generation and GPT-2 for sequence classification was used as discriminator in GAN method. All models were trained with pyTorch. Testing website was made with Flask.
Network | User group | Action |
---|---|---|
ILC SPbPU Local Network | All |
|
Internet | Authorized users SPbPU |
|
Internet | Anonymous |
|
Access count: 3
Last 30 days: 0