Opus Mt Tc Big Zh Ja

🚀 opus-mt-tc-big-zh-ja

这是一个用于中文（zh）到日文（ja）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适用于全球多种语言。

🚀 快速开始

示例代码

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    "生日快乐，Muiriel！",
    "好凍。"
]

model_name = "pytorch-models/opus-mt-tc-big-zh-ja"
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:
#     誕生日おめでとう、Muiriel!
#     寒い。

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-big-zh-ja")
print(pipe("生日快乐，Muiriel！"))

# expected output: 誕生日おめでとう、Muiriel!

✨ 主要特性

该模型可用于翻译和文本到文本的生成。

📚 详细文档

模型详情

这是一个用于从中文（zh）翻译成日文（ja）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且易于获取。所有模型最初都使用Marian NMT这一出色的框架进行训练，它是一个用纯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：

风险、局限性和偏差

⚠️ 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。

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
• 测试集得分：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The Tatoeba Translation Challenge – 低资源和多语言MT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13日星期六00:02:56 EEST
• 转换机器：LM0 - 400 - 22516.local

📄 许可证

本模型使用CC - BY - 4.0许可证。