opus-mt-tc-big-zh-ja

目录

• 模型详细信息
• 用途
• 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

模型详细信息

神经机器翻译模型，用于将中文（zh）翻译为日文（ja）。

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得到广泛应用和普及。所有模型最初都是使用令人惊叹的 Marian NMT 框架进行训练的，该框架是用纯 C++ 编写的高效 NMT 实现。这些模型已经使用 huggingface 的 transformers 库将其转换为 pyTorch。训练数据来自 OPUS ，训练流程使用了 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：zho
  • 目标语言：jpn
  • 语言对：zho-jpn
  • 有效的目标语言标签：
• 原始模型： opusTCv20210807-sepvoc_transformer-big_2022-07-28.zip
• 获取更多信息的资源：
  • OPUS-MT-train GitHub Repo
  • 更多关于该语言对的已发布模型的信息： OPUS-MT zho-jpn README
  • More information about MarianNMT models in the transformers library
  • [Tatoeba 翻译挑战]( https://github.com/Helsinki-NLP/Tatoeba-Challenge/ )

用途

该模型可用于翻译和文本生成。

风险、限制和偏见

内容警告：读者应该意识到该模型是在各种可能包含令人不安、冒犯并能传播历史和现实刻板印象的公共数据集上进行训练的。

大量研究探讨了语言模型的偏见和公平性问题（详见 Sheng et al. (2021) 和 Bender et al. (2021) 等）。

如何开始使用该模型

一个简短示例代码：

from transformers import MarianMTModel, MarianTokenizer

src_text = [
    "生日快乐，Muiriel！",
    "好凍。"
]

model_name = "pytorch-models/opus-mt-tc-big-zh-ja"
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:
#     誕生日おめでとう、Muiriel!
#     寒い。

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

from transformers import pipeline
pipe = pipeline("translation", model="Helsinki-NLP/opus-mt-tc-big-zh-ja")
print(pipe("生日快乐，Muiriel！"))

# expected output: 誕生日おめでとう、Muiriel!

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

引用信息

• 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 （使用该模型时，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 的一部分，得到 FoTran project 的资助，该项目由欧洲研究理事会 (ERC) 在欧盟“Horizon 2020”研究与创新计划下资助（补助协议编号：771113），以及 MeMAD project 项目的资助，该项目由欧盟“Horizon 2020”研究与创新计划下的补助协议编号：780069 提供。我们还感谢芬兰 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 哈希值：8b9f0b0
• 转换时间：Sat Aug 13 00:02:56 EEST 2022
• 转换机器：LM0-400-22516.local