opus-mt-tc-base-en-sh

目录

• 模型详细信息
• 使用方法
• 风险、限制和偏差
• 如何开始使用该模型
• 训练
• 评估
• 引用信息
• 致谢

模型详细信息

用于将英语（en）翻译成塞尔维亚-克罗地亚语（sh）的神经机器翻译模型。

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且易于访问。所有模型最初是使用 Marian NMT 的惊人框架进行训练的，它是用纯C++编写的高效NMT实现。使用 transformers 库由 huggingface 转换为 pyTorch。训练数据来自于 OPUS ，训练流程使用了 OPUS-MT-train 的方法。模型描述：

• 开发者：赫尔辛基大学的语言技术研究小组
• 模型类型：翻译（transformer-align）
• 发布日期：2021-04-20
• 许可证：CC-BY-4.0
• 语言：
  • 源语言：eng
  • 目标语言：bos_Latn hbs hrv srp_Cyrl srp_Latn
  • 语言对：eng-bos_Latn eng-hbs eng-hrv eng-srp_Cyrl eng-srp_Latn
  • 有效目标语言标签：>>bos_Cyrl<< >>bos_Latn<< >>cnr<< >>cnr_Latn<< >>hbs<< >>hbs_Cyrl<< >>hrv<< >>srp_Cyrl<< >>srp_Latn<<
• 原始模型： opus+bt-2021-04-20.zip
• 更多信息资源：
  • OPUS-MT-train GitHub Repo
  • 此语言对发布模型的更多信息： OPUS-MT eng-hbs README
  • More information about MarianNMT models in the transformers library
  • [Tatoeba Translation Challenge]( https://github.com/Helsinki-NLP/Tatoeba-Challenge/

这是一个具有多个目标语言的多语言翻译模型。需要通过 >>id<< 的形式提供句子的起始语言标记（id = 有效的目标语言ID），例如： >>bos_Latn<<

使用方法

此模型可用于翻译和文本生成。

风险、限制和偏差

内容警告：读者应意识到该模型是在可能包含令人不安、冒犯和传播历史和现实偏见的各种公共数据集上进行训练的。

已经进行了大量研究来探索语言模型的偏差和公平性问题（参见，例如， Sheng et al. (2021) 和 Bender et al. (2021) ）。

如何开始使用该模型

以下是一个简短的示例代码：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    ">>hrv<< You're about to make a very serious mistake.",
    ">>hbs<< I've just been too busy."
]

model_name = "pytorch-models/opus-mt-tc-base-en-sh"
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:
#     Ti si o tome napraviti vrlo ozbiljnu pogrešku.
#     [4]

您也可以使用 transformers pipelines 来使用 OPUS-MT 模型，例如：

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-base-en-sh")
print(pipe(">>hrv<< You're about to make a very serious mistake."))

# expected output: Ti si o tome napraviti vrlo ozbiljnu pogrešku.

训练

• 数据：opus+bt（ source ）
• 预处理：SentencePiece（spm32k,spm32k）
• 模型类型：transformer-align
• 原始 MarianNMT 模型： opus+bt-2021-04-20.zip
• 训练脚本： GitHub Repo

评估

• 测试集翻译： opus+bt-2021-04-20.test.txt
• 测试集分数： opus+bt-2021-04-20.eval.txt
• 基准测试结果：benchmark_results.txt
• 基准测试输出：benchmark_translations.zip

引用信息

• 发表论文： OPUS-MT – Building open translation services for the World 和 The Tatoeba Translation Challenge – Realistic Data Sets for Low Resource and Multilingual MT （如果您使用了该模型，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

本工作得到 European Language Grid 的支持，作为 pilot project 2866 ，并且由 FoTran project 资助，该资助来自欧洲研究理事会（ERC）根据欧洲联盟的Horizon 2020研究和创新计划（授予协议号771113），以及 MeMAD project 资助，该资助来自欧洲联盟的Horizon 2020研究和创新计划（授予协议号780069）。我们还感谢芬兰的 CSC -- IT Center for Science 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 版本：e2a6299
• 转换时间：Tue Oct 11 10:14:32 CEST 2022
• 转换机器：LM0-400-22516.local