Wmt19 De En

🚀 FSMT

FSMT是一个用于机器翻译的模型，它基于fairseq的wmt19 transformer架构，支持德语和英语之间的翻译。该模型在WMT19数据集上进行训练，具有较高的翻译质量。

🚀 快速开始

你可以按照以下步骤使用FSMT模型进行德语到英语的翻译：

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

• 多语言支持：支持德语和英语之间的翻译。
• 高翻译质量：在WMT19数据集上进行训练，具有较高的翻译质量。
• 易于使用：通过Hugging Face的transformers库可以方便地加载和使用。

📦 安装指南

要使用FSMT模型，你需要安装transformers库。可以使用以下命令进行安装：

pip install transformers

💻 使用示例

基础用法

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?

📚 详细文档

模型描述

这是fairseq wmt19 transformer的德语到英语的移植版本。 更多详细信息，请参阅Facebook FAIR's WMT19 News Translation Task Submission。 缩写FSMT代表FairSeq Machine Translation。 所有四个模型均可使用：

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

预期用途和限制

限制和偏差

• 原始模型（以及这个移植版本）似乎不能很好地处理包含重复子短语的输入，内容会被截断

训练数据

预训练权重与fairseq发布的原始模型相同。更多详细信息，请参阅论文。

评估结果

由于transformers目前不支持以下内容，因此得分略低于fairseq报告的得分：

• 模型集成，因此移植了性能最佳的检查点（model4.pt）。
• 重新排序

得分使用以下代码计算：

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报告使用的束搜索宽度为50，因此如果你使用--num_beams 50重新运行，应该会得到略高的分数。

数据来源

• 训练数据等
• 测试集

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},
}

待办事项

• 移植模型集成（fairseq使用4个模型检查点）

📄 许可证

本项目采用Apache-2.0许可证。