Wmt19 De En

🚀 FSMT

FSMT是一個用於機器翻譯的模型，它基於fairseq的wmt19 transformer架構，支持德語和英語之間的翻譯。該模型在WMT19數據集上進行訓練，具有較高的翻譯質量。

🚀 快速開始

你可以按照以下步驟使用FSMT模型進行德語到英語的翻譯：

from transformers import FSMTForConditionalGeneration, FSMTTokenizer
mname = "facebook/wmt19-de-en"
tokenizer = FSMTTokenizer.from_pretrained(mname)
model = FSMTForConditionalGeneration.from_pretrained(mname)

input = "Maschinelles Lernen ist großartig, oder?"
input_ids = tokenizer.encode(input, return_tensors="pt")
outputs = model.generate(input_ids)
decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(decoded) # Machine learning is great, isn't it?

✨ 主要特性

• 多語言支持：支持德語和英語之間的翻譯。
• 高翻譯質量：在WMT19數據集上進行訓練，具有較高的翻譯質量。
• 易於使用：通過Hugging Face的transformers庫可以方便地加載和使用。

📦 安裝指南

要使用FSMT模型，你需要安裝transformers庫。可以使用以下命令進行安裝：

pip install transformers

💻 使用示例

基礎用法

from transformers import FSMTForConditionalGeneration, FSMTTokenizer
mname = "facebook/wmt19-de-en"
tokenizer = FSMTTokenizer.from_pretrained(mname)
model = FSMTForConditionalGeneration.from_pretrained(mname)

input = "Maschinelles Lernen ist großartig, oder?"
input_ids = tokenizer.encode(input, return_tensors="pt")
outputs = model.generate(input_ids)
decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(decoded) # Machine learning is great, isn't it?

📚 詳細文檔

模型描述

這是fairseq wmt19 transformer的德語到英語的移植版本。 更多詳細信息，請參閱Facebook FAIR's WMT19 News Translation Task Submission。 縮寫FSMT代表FairSeq Machine Translation。 所有四個模型均可使用：

• wmt19-en-ru
• wmt19-ru-en
• wmt19-en-de
• wmt19-de-en

預期用途和限制

限制和偏差

• 原始模型（以及這個移植版本）似乎不能很好地處理包含重複子短語的輸入，內容會被截斷

訓練數據

預訓練權重與fairseq發佈的原始模型相同。更多詳細信息，請參閱論文。

評估結果

由於transformers目前不支持以下內容，因此得分略低於fairseq報告的得分：

• 模型集成，因此移植了性能最佳的檢查點（model4.pt）。
• 重新排序

得分使用以下代碼計算：

git clone https://github.com/huggingface/transformers
cd transformers
export PAIR=de-en
export DATA_DIR=data/$PAIR
export SAVE_DIR=data/$PAIR
export BS=8
export NUM_BEAMS=15
mkdir -p $DATA_DIR
sacrebleu -t wmt19 -l $PAIR --echo src > $DATA_DIR/val.source
sacrebleu -t wmt19 -l $PAIR --echo ref > $DATA_DIR/val.target
echo $PAIR
PYTHONPATH="src:examples/seq2seq" python examples/seq2seq/run_eval.py facebook/wmt19-$PAIR $DATA_DIR/val.source $SAVE_DIR/test_translations.txt --reference_path $DATA_DIR/val.target --score_path $SAVE_DIR/test_bleu.json --bs $BS --task translation --num_beams $NUM_BEAMS

注意：fairseq報告使用的束搜索寬度為50，因此如果你使用--num_beams 50重新運行，應該會得到略高的分數。

數據來源

• 訓練數據等
• 測試集

BibTeX引用和引用信息

@inproceedings{...,
  year={2020},
  title={Facebook FAIR's WMT19 News Translation Task Submission},
  author={Ng, Nathan and Yee, Kyra and Baevski, Alexei and Ott, Myle and Auli, Michael and Edunov, Sergey},
  booktitle={Proc. of WMT},
}

待辦事項

• 移植模型集成（fairseq使用4個模型檢查點）

📄 許可證

本項目採用Apache-2.0許可證。