opus-mt-tc-big-gmw-gmw

目录

• 模型详情
• 使用情况
• 风险、限制和偏见
• 如何开始使用模型
• 训练
• 评估
• 引用信息
• 致谢

模型详情

神经机器翻译模型，用于将西日耳曼语言 (gmw) 翻译为西日耳曼语言 (gmw)。

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众多语言中得到广泛使用和访问。所有模型最初都是使用令人惊叹的 Marian NMT 框架进行训练的，这是一个纯C++编写的高效NMT实现。使用transformers库由huggingface将模型转换为pyTorch。训练数据来自 OPUS ，训练流程使用了 OPUS-MT-train 的方法。 模型描述：

• 开发者：赫尔辛基大学语言技术研究小组
• 模型类型：翻译（transformer-big）
• 发布日期：2022-08-11
• 许可证：CC-BY-4.0
• 语言：
  • 源语言：afr deu eng enm fry gos gsw hrx ksh ltz nds nld pdc sco stq swg tpi yid
  • 目标语言：afr ang deu eng enm fry gos ltz nds nld sco tpi yid
  • 语言对：afr-deu afr-eng afr-nld deu-afr deu-eng deu-ltz deu-nds deu-nld eng-afr eng-deu eng-fry eng-nld fry-eng fry-nld gos-deu gos-eng gos-nld ltz-afr ltz-deu ltz-eng ltz-nld nds-deu nds-eng nds-nld nld-afr nld-deu nld-eng nld-fry
  • 有效的目标语言标签：>>act<< >>afr<< >>afs<< >>aig<< >>ang<< >>ang_Latn<< >>bah<< >>bar<< >>bis<< >>bjs<< >>brc<< >>bzj<< >>bzj_Latn<< >>bzk<< >>cim<< >>dcr<< >>deu<< >>djk<< >>djk_Latn<< >>drt<< >>drt_Latn<< >>dum<< >>eng<< >>enm<< >>enm_Latn<< >>fpe<< >>frk<< >>frr<< >>fry<< >>gcl<< >>gct<< >>geh<< >>gmh<< >>gml<< >>goh<< >>gos<< >>gpe<< >>gsw<< >>gul<< >>gyn<< >>hrx<< >>hrx_Latn<< >>hwc<< >>icr<< >>jam<< >>jvd<< >>kri<< >>ksh<< >>kww<< >>lim<< >>lng<< >>ltz<< >>mhn<< >>nds<< >>nld<< >>odt<< >>ofs<< >>ofs_Latn<< >>oor<< >>osx<< >>pcm<< >>pdc<< >>pdt<< >>pey<< >>pfl<< >>pih<< >>pih_Latn<< >>pis<< >>pis_Latn<< >>qlm<< >>rop<< >>sco<< >>sdz<< >>skw<< >>sli<< >>srm<< >>srm_Latn<< >>srn<< >>stl<< >>stq<< >>svc<< >>swg<< >>sxu<< >>tch<< >>tcs<< >>tgh<< >>tpi<< >>trf<< >>twd<< >>uln<< >>vel<< >>vic<< >>vls<< >>vmf<< >>wae<< >>wep<< >>wes<< >>wes_Latn<< >>wym<< >>ydd<< >>yec<< >>yid<< >>yih<< >>zea<<
• 原始模型： opusTCv20210807_transformer-big_2022-08-11.zip
• 获取更多信息的资源：
  • OPUS-MT-train GitHub Repo
  • 关于该语言对的其他已发布模型的更多信息： OPUS-MT gmw-gmw README
  • More information about MarianNMT models in the transformers library
  • [Tatoeba翻译挑战]( https://github.com/Helsinki-NLP/Tatoeba-Challenge/

这是一个多语言翻译模型，具有多个目标语言。您需要提供一个句子初始的语言令牌，以形式 >>id<< （id = 有效的目标语言ID），例如 >>afr<<

使用情况

该模型可用于翻译和文本生成。

风险、限制和偏见

内容警告：读者应意识到该模型是根据可能包含令人不安、冒犯性内容的各种公共数据集进行训练的，并且可能传播历史和现实的刻板印象。

大量研究已探讨了语言模型的偏见和公平性问题（参见，例如， Sheng et al. (2021) 和 Bender et al. (2021) ）。

如何开始使用模型

一个简短的代码示例：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>nds<< Red keinen Quatsch.",
    ">>eng<< Findet ihr das nicht etwas übereilt?"
]

model_name = "pytorch-models/opus-mt-tc-big-gmw-gmw"
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:
#     Kiek ok bi: Rott.
#     Aren't you in a hurry?

您还可以使用transformers pipeline来使用OPUS-MT模型，例如：

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-gmw-gmw")
print(pipe(">>nds<< Red keinen Quatsch."))

# expected output: Kiek ok bi: Rott.

训练

• 数据：opusTCv20210807（ source ）
• 预处理：SentencePiece（spm32k，spm32k）
• 模型类型：transformer-big
• 原始MarianNMT模型： opusTCv20210807_transformer-big_2022-08-11.zip
• 训练脚本： GitHub Repo

评估

• 测试集翻译： opusTCv20210807_transformer-big_2022-08-11.test.txt
• 测试集得分： opusTCv20210807_transformer-big_2022-08-11.eval.txt
• 基准结果： benchmark_results.txt
• 基准输出： benchmark_translations.zip

引用信息

• 文献： OPUS-MT – Building open translation services for the World 和 The Tatoeba Translation Challenge – Realistic Data Sets for Low Resource and Multilingual MT （如果使用该模型，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

该工作得到 European Language Grid 的支持，作为 pilot project 2866 ，由欧洲研究委员会（ERC）在欧洲联盟Horizon 2020研究和创新计划（授权协议编号：771113）下资助；以及 FoTran project ，由欧洲联盟Horizon 2020研究和创新计划（授权协议编号：780069）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：8b9f0b0
• 转换时间：2022年8月12日星期五23:58:31 EEST
• 转换机器：LM0-400-22516.local