Загрузил версию ЛР на 2025й год.

README.md

@@ -13,28 +13,30 @@ Kодировщик использует LSTM для вычисления век
 
 Параметры бейзлайна:
 | Версия | Исходный размер, байты | Размер после сжатия, байты | Коэффициент сжатия | Затраченное время, с |
-|:------:|:----------------------:|:--------------------------:|:------------------:|:------------------:  |
-| Baseline | 100000 | 47150 | 2.12 | 783 |
+|:------:|:----------------------:|:--------------------------:|:------------------:|:------------------:|
+| Baseline | 100000 | 38283 | 2.63 | 296 |
 
 
 ## Описание задания к лабораторной работе
 Улучшить код так, чтобы он:
-- либо на том же сжатии показывал уменьшение времени кодирования и декодирования на 100%; 
-- либо обеспечивал улучшение коэффициента сжатия на 100% при тех же временных затратах.
+- либо **на том же сжатии** показывал **уменьшение времени кодирования и декодирования в 3 раза**; 
+- либо обеспечивал **улучшение коэффициента сжатия на 30%** при **тех же временных затратах**. 
 
 Можно улучшать следующие модули:
 - Предобработка: заменять слова из предварительно созданного словаря уникальным кодом, использовать идею из Byte-Pair Encoding токенизации и т.д.;
-- Нейронная сеть: использование другой архитектуры (GRU, Transformer и др.), изменить количество слоёв, функции активации, связи между слоями и т.д.;
+- Нейронная сеть: использование другой архитектуры (GRU, Transformer и др.), изменить функции активации, связи между слоями и т.д.;
 - Арифметический кодер: учесть возможную память источника, оценка вероятностей и т.д.
 
 Требования к реализации:
 - Результаты должны быть продемонстрированы на enwik5 из папки ./data/;
 - Восстановленый после сжатия файл должен полностью совпадать с оригинальным;
-- В результатах приложить таблицу выше, обновив значения базового решения для вашего устройства и добавив строчку с улучшенным решением.
+- В результатах приложить таблицу выше, **обновив значения базового решения для вашего устройства** и добавив строчку с улучшенным решением.
+- Измерения времени кодирования и декодирования базовой и предложенной версии должны быть выполнены на одном и том же устройстве. 
 
-На почту eabelyaev@itmo.ru прислать отчет в виде презентации в pdf формате, который включает в себя:
+На почту eabelyaev@itmo.ru прислать отчёт в виде презентации в pdf формате, который включает в себя:
 - ФИО студента, номер группы.
 - Описание предложенной модификации и результаты.
+- Отчёт должен содержать объяснение за счёт чего получилось улучшить базовую архитектуру.
 - Ссылку на репозиторий с исходным кодом проекта и инструкцию по запуску.
 
 ## Литература

main.py

@@ -14,17 +14,17 @@ os.environ['TF_DETERMINISTIC_OPS'] = '1'
 # The batch size for training
 batch_size = 256
 # The sequence length for training
-seq_length = 15
+seq_length = 16
 # The number of units in each LSTM layer
-rnn_units = 400
+rnn_units = 256
 # The number of LSTM layers
-num_layers = 4
+num_layers = 2
 # The size of the embedding layer
-embedding_size = 1024
+embedding_size = 256
 # The initial learning rate for optimizer
-start_learning_rate = 0.0005
+start_learning_rate = 0.005
 # The final learning rate for optimizer
-end_learning_rate = 0.0002
+end_learning_rate = 0.001
 # The mode for the program, "compress", "decompress", "both"
 mode = 'both'