Opus Mt Tc Big En Ko

🚀 opus-mt-tc-big-en-ko

このモデルは、英語（en）から韓国語（ko）への翻訳を行うニューラル機械翻訳モデルです。OPUS - MTプロジェクトの一部として、多くの言語に対する機械翻訳モデルを広く利用可能にする取り組みの一環で開発されています。

🚀 クイックスタート

モデルの使い方

以下は、このモデルを使用した短いコード例です。

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    "2, 4, 6 etc. are even numbers.",
    "Yes."
]

model_name = "pytorch-models/opus-mt-tc-big-en-ko"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)
translated = model.generate(**tokenizer(src_text, return_tensors="pt", padding=True))

for t in translated:
    print( tokenizer.decode(t, skip_special_tokens=True) )

# expected output:
#     2, 4, 6 등은 짝수입니다.
#     그래

また、transformers のパイプラインを使用することもできます。

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-en-ko")
print(pipe("2, 4, 6 etc. are even numbers."))

# expected output: 2, 4, 6 등은 짝수입니다.

✨ 主な機能

このモデルは、翻訳とテキスト生成に使用できます。

📦 インストール

このREADMEには具体的なインストール手順が記載されていないため、このセクションは省略されます。

💻 使用例

基本的な使用法

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    "2, 4, 6 etc. are even numbers.",
    "Yes."
]

model_name = "pytorch-models/opus-mt-tc-big-en-ko"
tokenizer = MarianTokenizer.from_pretrained(model_name)
model = MarianMTModel.from_pretrained(model_name)
translated = model.generate(**tokenizer(src_text, return_tensors="pt", padding=True))

for t in translated:
    print( tokenizer.decode(t, skip_special_tokens=True) )

# expected output:
#     2, 4, 6 등은 짝수입니다.
#     그래

高度な使用法

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-en-ko")
print(pipe("2, 4, 6 etc. are even numbers."))

# expected output: 2, 4, 6 등은 짝수입니다.

📚 ドキュメント

モデルの詳細

英語（en）から韓国語（ko）への翻訳を行うニューラル機械翻訳モデルです。このモデルは OPUS - MTプロジェクト の一部で、世界中の多くの言語に対するニューラル機械翻訳モデルを広く利用可能にする取り組みの一環です。すべてのモデルは、最初は Marian NMT という素晴らしいフレームワークを使用してトレーニングされています。これは、純粋なC++で書かれた効率的なNMTの実装です。モデルは、huggingfaceの transformers ライブラリを使用してpyTorchに変換されています。トレーニングデータは OPUS から取得され、トレーニングパイプラインは OPUS - MT - train の手順を使用しています。

これは、複数のターゲット言語を持つ多言語翻訳モデルです。文の最初に >>id<<（id = 有効なターゲット言語ID）の形式で言語トークンが必要です。

トレーニング

• データ: opusTCv20210807 (ソース)
• 前処理: SentencePiece (spm32k,spm32k)
• モデルタイプ: transformer - big
• 元のMarianNMTモデル: opusTCv20210807 - sepvoc_transformer - big_2022 - 07 - 28.zip
• トレーニングスクリプト: GitHubリポジトリ

評価

• テストセットの翻訳: opusTCv20210807 - sepvoc_transformer - big_2022 - 07 - 28.test.txt
• テストセットのスコア: opusTCv20210807 - sepvoc_transformer - big_2022 - 07 - 28.eval.txt
• ベンチマーク結果: benchmark_results.txt
• ベンチマーク出力: benchmark_translations.zip

引用情報

このモデルを使用する場合は、以下の出版物を引用してください。

@inproceedings{tiedemann-thottingal-2020-opus,
    title = "{OPUS}-{MT} {--} Building open translation services for the World",
    author = {Tiedemann, J{\"o}rg  and Thottingal, Santhosh},
    booktitle = "Proceedings of the 22nd Annual Conference of the European Association for Machine Translation",
    month = nov,
    year = "2020",
    address = "Lisboa, Portugal",
    publisher = "European Association for Machine Translation",
    url = "https://aclanthology.org/2020.eamt-1.61",
    pages = "479--480",
}

@inproceedings{tiedemann-2020-tatoeba,
    title = "The Tatoeba Translation Challenge {--} Realistic Data Sets for Low Resource and Multilingual {MT}",
    author = {Tiedemann, J{\"o}rg},
    booktitle = "Proceedings of the Fifth Conference on Machine Translation",
    month = nov,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2020.wmt-1.139",
    pages = "1174--1182",
}

謝辞

この研究は、European Language Grid の パイロットプロジェクト2866、FoTranプロジェクト（欧州研究評議会（ERC）による欧州連合のHorizon 2020研究・イノベーションプログラム（助成協定番号771113）による資金提供）、および MeMADプロジェクト（欧州連合のHorizon 2020研究・イノベーションプログラムによる助成協定番号780069）によって支援されています。また、フィンランドの CSC -- IT Center for Science が提供する計算資源とITインフラストラクチャに感謝します。

モデル変換情報

• transformersバージョン: 4.16.2
• OPUS - MTのgitハッシュ: 8b9f0b0
• 変換時間: Fri Aug 12 11:02:03 EEST 2022
• 変換マシン: LM0 - 400 - 22516.local

🔧 技術詳細

このREADMEには具体的な技術詳細が十分に記載されていないため、このセクションは省略されます。

📄 ライセンス

このモデルはCC - BY - 4.0ライセンスの下で提供されています。

⚠️ 重要提示

このモデルは、様々な公開データセットを使用してトレーニングされており、それらのデータセットには不快な内容や攻撃的な内容、歴史的および現在のステレオタイプを広める内容が含まれている可能性があります。

💡 使用建议

言語モデルのバイアスと公平性の問題に関する重要な研究が行われています（例えば、Sheng et al. (2021) および Bender et al. (2021) を参照）。使用する際には、これらの問題に留意してください。