Opus Mt Tc Big En Ko

🚀 opus-mt-tc-big-en-ko

这是一个用于英文（en）到韩文（ko）翻译的神经机器翻译模型。它属于OPUS - MT项目，旨在让神经机器翻译模型广泛可用，适用于全球多种语言。

🚀 快速开始

基础用法

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

高级用法

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.

✨ 主要特性

• 此模型是多语言翻译模型，支持多种目标语言。
• 可用于翻译和文本到文本的生成任务。

📦 安装指南

文档未提及安装步骤，暂不展示。

📚 详细文档

模型详情

该模型是用于从英语（en）翻译成韩语（ko）的神经机器翻译模型。

此模型是OPUS - MT项目的一部分，该项目致力于使神经机器翻译模型广泛适用于世界上的多种语言。所有模型最初都使用Marian NMT这一出色的框架进行训练，Marian NMT是一个用纯C++编写的高效NMT实现。这些模型已使用huggingface的transformers库转换为pyTorch。训练数据来自OPUS，训练管道采用OPUS - MT - train的流程。 模型描述：

这是一个具有多个目标语言的多语言翻译模型。需要以>>id<<（id = 有效的目标语言ID）的形式使用句子初始语言标记，例如>><<。

用途

此模型可用于翻译和文本到文本的生成。

风险、限制和偏差

⚠️ 重要提示

读者应注意，该模型是在各种公共数据集上训练的，这些数据集可能包含令人不安、冒犯性的内容，并且可能传播历史和当前的刻板印象。

大量研究已经探讨了语言模型的偏差和公平性问题（例如，参见Sheng等人（2021）和Bender等人（2021））。

训练

• 数据：opusTCv20210807（来源）
• 预处理：SentencePiece（spm32k,spm32k）
• 模型类型：transformer - big
• 原始MarianNMT模型：opusTCv20210807 - sepvoc_transformer - big_2022 - 07 - 28.zip
• 训练脚本：GitHub仓库

评估

• 测试集翻译：opusTCv20210807 - sepvoc_transformer - big_2022 - 07 - 28.test.txt
• 测试集分数：opusTCv20210807 - sepvoc_transformer - big_2022 - 07 - 28.eval.txt
• 基准测试结果：benchmark_results.txt
• 基准测试输出：benchmark_translations.zip

引用信息

• 出版物：OPUS - MT – 为世界构建开放翻译服务和塔托埃巴翻译挑战 – 低资源和多语言机器翻译的现实数据集（如果使用此模型，请引用）

@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",
}

致谢

这项工作得到了欧洲语言网格的试点项目2866、由欧洲研究理事会（ERC）在欧盟的“地平线2020”研究和创新计划（资助协议编号771113）资助的FoTran项目以及由欧盟的“地平线2020”研究和创新计划（资助协议编号780069）资助的MeMAD项目的支持。我们也感谢芬兰CSC - 科学信息技术中心提供的慷慨计算资源和IT基础设施。

模型转换信息

• transformers版本：4.16.2
• OPUS - MT git哈希值：8b9f0b0
• 转换时间：2022年8月12日星期五11:02:03 EEST
• 转换机器：LM0 - 400 - 22516.local

📄 许可证

本项目采用CC - BY - 4.0许可证。