opus-mt-tc-big-en-ar

神经机器翻译模型，用于将英语（en）翻译为阿拉伯语（ar）。

该模型是 OPUS-MT project 的一部分，旨在使神经机器翻译模型在世界上许多语言中广泛可用和易于访问。所有模型最初使用 Marian NMT 的出色框架进行训练，该框架是用纯C++编写的高效NMT实现。使用 huggingface 的 transformers 库将模型转换为 pyTorch。训练数据取自 OPUS ，训练流程使用 OPUS-MT-train 的过程。

• 发表物： 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",
}

模型信息

• 发布日期：2022-02-25
• 源语言：eng
• 目标语言：afb ara
• 有效目标语言标签：>>afb<< >>ara<<
• 模型：transformer-big
• 数据：opusTCv20210807+bt（ source ）
• 标记化：SentencePiece（spm32k，spm32k）
• 原始模型： opusTCv20210807+bt_transformer-big_2022-02-25.zip
• 有关发布的模型的更多信息： OPUS-MT eng-ara README
• 有关模型的更多信息： MarianMT

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

使用方法

一个简短的示例代码：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>ara<< I can't help you because I'm busy.",
    ">>ara<< I have to write a letter. Do you have some paper?"
]

model_name = "pytorch-models/opus-mt-tc-big-en-ar"
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:
#     لا أستطيع مساعدتك لأنني مشغول.
#     يجب أن أكتب رسالة هل لديك بعض الأوراق؟

您还可以使用 transformers pipelines 运行 OPUS-MT 模型，例如：

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-en-ar")
print(pipe(">>ara<< I can't help you because I'm busy."))

# expected output: لا أستطيع مساعدتك لأنني مشغول.

基准测试

• 测试集翻译结果： opusTCv20210807+bt_transformer-big_2022-02-25.test.txt
• 测试集分数： opusTCv20210807+bt_transformer-big_2022-02-25.eval.txt
• 基准测试结果：benchmark_results.txt
• 基准测试输出：benchmark_translations.zip

致谢

该工作得到 European Language Grid 的支持，作为 pilot project 2866 , 由 FoTran project 支持，该计划由欧洲研究理事会（ERC）根据欧洲联合体的Horizon 2020研究和创新计划（授权号：771113）以及根据欧洲联合体的Horizon 2020研究和创新计划（授权号：780069）下的资助。我们还感谢 CSC -- IT Center for Science 提供的慷慨计算资源和IT基础设施，芬兰。

模型转换信息

• transformers 版本：4.16.2
• OPUS-MT git 哈希值：3405783
• 转换时间：2022年4月13日16:37:31 EEST
• 转换机器：LM0-400-22516.local