opus-mt-tc-big-en-ko

目录

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

模型详情

用于将英语（en）翻译为韩语（ko）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广泛可用和可访问，服务于世界上许多语言。所有模型最初都是使用 Marian NMT 提供的惊人框架进行训练的，这是一个用纯C++编写的高效NMT实现。使用 transformers library by huggingface 将模型转换为pyTorch。训练数据来自 OPUS ，训练流程使用 OPUS-MT-train 的程序。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：2022-07-28
• 许可证：CC-BY-4.0
• 语言：
  • 源语言：
  • 目标语言：
  • 有效的目标语言标签：
• 原始模型： opusTCv20210807-sepvoc_transformer-big_2022-07-28.zip
• 更多信息资源：
  • OPUS-MT-train GitHub Repo
  • 有关此语言对的已发布模型的更多信息： OPUS-MT eng-kor README
  • More information about MarianNMT models in the transformers library
  • [Tatoeba Translation Challenge]（ 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。形式上需要一个句子初始的语言标记，如 >>id<<（id = 有效的目标语言ID），例如 >><<

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基于各种可能包含令人不安、冒犯和传播历史和现实刻板印象内容的公共数据集进行训练的。

大量研究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) ）。

如何开始使用该模型

一个简短的示例代码：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    "2, 4, 6 etc. are even numbers.",
    "Yes."
]

model_name = "pytorch-models/opus-mt-tc-big-en-ko"
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:
#     2, 4, 6 등은 짝수입니다.
#     그래

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

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-en-ko")
print(pipe("2, 4, 6 etc. are even numbers."))

# expected output: 2, 4, 6 등은 짝수입니다.

训练

• 数据：opusTCv20210807 （ source ）
• 预处理：SentencePiece（spm32k，spm32k）
• 模型类型：transformer-big
• 原始 MarianNMT 模型： opusTCv20210807-sepvoc_transformer-big_2022-07-28.zip
• 训练脚本： GitHub Repo

评估

• 测试集翻译： opusTCv20210807-sepvoc_transformer-big_2022-07-28.test.txt
• 测试集分数： opusTCv20210807-sepvoc_transformer-big_2022-07-28.eval.txt
• 基准结果：benchmark_results.txt
• 基准输出：benchmark_translations.zip

引文信息

• 出版物： 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，作为项目 pilot project 2866 实施，获得 FoTran project 的支持，该项目由欧洲研究理事会（ERC）在欧洲联盟的Horizon 2020研究和创新计划（授权协议编号 No 771113）下资助，以及 MeMAD project ，该项目在欧洲联盟的Horizon 2020研究和创新计划（授权协议编号 No 780069）下资助。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：8b9f0b0
• 转换时间：2022年8月12日，东欧标准时间11:02:03
• 转换机器：LM0-400-22516.local