当学习第二语言时，最困难的挑战之一可能是熟悉单词顺序。词序在机器翻译中也很重要，因为翻译大致上是一种处理目标语言词汇的过程，它与源语言是对等的。也许你已经做过一个把打乱的单词或字母放在原来顺序的游戏。我想看看神经网络是否能做到这一点。

要求

• NumPy > = 1.11.1


• TensorFlow==1.2(可能使用1.3也可以运行，不过我没有测试过)


• matplotlib


• 距离


• tqdm

模型架构

到2017年，我使用的转换器是在机器翻译任务中最先进的模型，并已经被人们所熟知。这有一篇介绍转换器的文章，地址：https://arxiv.org/abs/1706.03762
然而，我不知道它是否适合这个任务。实际上，我认为一个更简单的架构可能会起作用。如下：

文件说明

• hyperparams.py 包括所有需要的超参数。


• data_load.py 包含关于加载和批处理数据的函数。


• modules.py 具有编码/解码网络的所有构建块。


• train.py 包含模型和训练代码。


• eval.py 用于评估和推理。

训练

• 步骤一：下载并提取Leipzig English News 2015 1M Corpus。


• 步骤二：必要时在hyperparams.py调整超参数。


• 步骤三：运行train.py或者下载预训练文件。下载地址：https://www.dropbox.com/s/5axxz6f9g93ms72/logdir.zip?dl=0

训练损失和准确性

• 训练损失

• 训练准确性

评估

• 运行eval.py.

我们把WER(单词错误率)作为度量。单词错误率=编辑距离（Edit distance）÷单词数量

例：5530/23541=0.23

以下是一些评估结果。详细信息可以在results文件夹中找到。

输入: another this step development that is in
期望的结果: is this another step in that development
实际结果: that that another step in that development
单词错误率 : 2

输入: time we're remember going a long to for this
期望的结果: we're going to remember this for a long time
实际结果: we're going to remember this for a long time
单词错误率: 0

输入: retail a at look concepts for ahead up-and-coming click spinoff
期望的结果: for a look at up-and-coming spinoff retail concepts click ahead
实际结果: the this retail at this concepts click click click ahead
单词错误率: 7

输入: comfort daughter his is -year-old
期望的结果: comfort is his -year-old daughter
实际结果: his is his -year-old daughter
单词错误率: 1

输入: solar are tumbling prices everywhere
期望的结果: everywhere solar prices are tumbling
实际结果: solar solar prices are about
单词错误率: 2