Opus Mt Tc Base En Sh

🚀 opus-mt-tc-base-en-sh

这是一个用于从英语（en）翻译到塞尔维亚 - 克罗地亚语（sh）的神经机器翻译模型，属于OPUS - MT项目的一部分，旨在让神经机器翻译模型更广泛可用。

🚀 快速开始

以下是使用该模型的简短示例代码：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>hrv<< You're about to make a very serious mistake.",
    ">>hbs<< I've just been too busy."
]

model_name = "pytorch-models/opus-mt-tc-base-en-sh"
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:
#     Ti si o tome napraviti vrlo ozbiljnu pogrešku.
#     [4]

你也可以使用transformers管道来使用OPUS - MT模型，例如：

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-base-en-sh")
print(pipe(">>hrv<< You're about to make a very serious mistake."))

# expected output: Ti si o tome napraviti vrlo ozbiljnu pogrešku.

✨ 主要特性

• 这是一个多语言翻译模型，支持多种目标语言。
• 需要在句子开头使用>>id<<（id = 有效目标语言ID）形式的语言标记。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>hrv<< You're about to make a very serious mistake.",
    ">>hbs<< I've just been too busy."
]

model_name = "pytorch-models/opus-mt-tc-base-en-sh"
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:
#     Ti si o tome napraviti vrlo ozbiljnu pogrešku.
#     [4]

高级用法

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-base-en-sh")
print(pipe(">>hrv<< You're about to make a very serious mistake."))

# expected output: Ti si o tome napraviti vrlo ozbiljnu pogrešku.

📚 详细文档

模型详情

该模型是用于从英语（en）翻译到塞尔维亚 - 克罗地亚语（sh）的神经机器翻译模型。

此模型是OPUS - MT项目的一部分，该项目致力于让神经机器翻译模型在世界上多种语言中广泛可用。所有模型最初使用Marian NMT框架进行训练，这是一个用纯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，训练管道使用OPUS - MT - train的程序。

模型描述：

用途

该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

读者应该注意，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。

已有大量研究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：opus + bt (来源)
• 预处理：SentencePiece (spm32k,spm32k)
• 模型类型：transformer - align
• 原始MarianNMT模型：opus+bt - 2021 - 04 - 20.zip
• 训练脚本：GitHub仓库

评估

• 测试集翻译：opus+bt - 2021 - 04 - 20.test.txt
• 测试集分数：opus+bt - 2021 - 04 - 20.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 – Building open translation services for the World 和 The Tatoeba Translation Challenge – Realistic Data Sets for Low Resource and Multilingual MT（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作为试点项目2866的支持，以及由欧洲研究理事会（ERC）在欧盟的“地平线2020”研究和创新计划（赠款协议编号771113）资助的FoTran项目和由欧盟的“地平线2020”研究和创新计划（赠款协议编号780069）资助的MeMAD项目的支持。我们也感谢CSC -- 芬兰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：e2a6299
• 转换时间：Tue Oct 11 10:14:32 CEST 2022
• 转换机器：LM0 - 400 - 22516.local

📄 许可证

该模型的许可证为CC - BY - 4.0。