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 PDF
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
Read Print
Internet Authorized users SPbPU
Read Print
Internet Anonymous

Access count: 3 
Last 30 days: 0

Detailed usage statistics