{"id":106018,"date":"2022-12-13T09:36:49","date_gmt":"2022-12-13T07:36:49","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/vypusk-sistemy-mashinnogo-perevoda-opennmt-tf-2-30"},"modified":"2022-12-13T09:36:49","modified_gmt":"2022-12-13T07:36:49","slug":"vypusk-sistemy-mashinnogo-perevoda-opennmt-tf-2-30","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/vypusk-sistemy-mashinnogo-perevoda-opennmt-tf-2-30","title":{"rendered":"Lanzamiento del sistema de traducci\u00f3n autom\u00e1tica OpenNMT-tf 2.30.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Se ha publicado la versi\u00f3n 2.30.0 del sistema de traducci\u00f3n autom\u00e1tica OpenNMT-tf (Traducci\u00f3n Autom\u00e1tica Neural Abierta), que utiliza m\u00e9todos de aprendizaje autom\u00e1tico. El c\u00f3digo de los m\u00f3dulos desarrollados por el proyecto OpenNMT-tf est\u00e1 escrito en Python, utiliza la biblioteca TensorFlow y se distribuye bajo la licencia MIT. <\/p>\n
Paralelamente, se desarrolla una variante de OpenNMT basada en la biblioteca PyTorch, que se diferencia en cuanto a las capacidades soportadas. Adem\u00e1s, OpenNMT basado en PyTorch se presenta como m\u00e1s f\u00e1cil de usar y multimodal, mientras que la variante basada en TensorFlow se destaca por ser modular, estable y permitir el uso de la GPU para acelerar el proceso de entrenamiento de la red neuronal. Para facilitar la distribuci\u00f3n del producto, el proyecto tambi\u00e9n desarrolla una variante aut\u00f3noma del traductor en C++ \u2014 CTranslate2, que utiliza modelos previamente entrenados sin ataduras a dependencias adicionales. <\/p>\n
Los modelos est\u00e1n preparados para los idiomas ingl\u00e9s, alem\u00e1n y catal\u00e1n; para otros idiomas, se puede formar un modelo de forma independiente utilizando el conjunto de datos del proyecto OPUS (para entrenar el sistema se entregan dos archivos \u2014 uno con las oraciones en el idioma fuente y el otro con la traducci\u00f3n de calidad de estas oraciones al idioma objetivo). <\/p>\n
El proyecto se desarrolla con la participaci\u00f3n de la empresa SYSTRAN, especializada en la creaci\u00f3n de herramientas de traducci\u00f3n autom\u00e1tica, y un grupo de investigadores de Harvard que desarrollan modelos de lenguaje humano para sistemas de aprendizaje autom\u00e1tico. La interfaz de usuario se ha simplificado al m\u00e1ximo y solo requiere la especificaci\u00f3n de un archivo de entrada con el texto y un archivo para guardar el resultado de la traducci\u00f3n. El sistema de extensiones permite implementar funcionalidades adicionales sobre OpenNMT, como autorreferencia, clasificaci\u00f3n de textos y generaci\u00f3n de subt\u00edtulos. <\/p>\n
En la nueva versi\u00f3n: <\/p>\n
\n
Se ha a\u00f1adido soporte para la biblioteca TensorFlow 2.11, pero los nuevos optimizadores Keras a\u00fan no son compatibles (se requiere el uso del modo tf.keras.optimizers.legacy).\n
Se ha a\u00f1adido soporte para la nueva rama del motor CTranslate2 3.x, dise\u00f1ado para la ejecuci\u00f3n eficiente de modelos con arquitectura \u00abtransformer\u00bb.\n
Se ha a\u00f1adido el par\u00e1metro de entrenamiento de modelos pad_to_bucket_boundary para incluir el relleno adicional que ajusta el tama\u00f1o del bloque a valores que son m\u00faltiplos de length_bucket_width.\n
Se ha integrado el soporte para las m\u00e9tricas chrf y chrf++ del proyecto SacreBLEU, que comparan la traducci\u00f3n autom\u00e1tica con la traducci\u00f3n humana de referencia.\n
Se ha eliminado el atributo modelo ctranslate2_spec, que ya no se utiliza en CTranslate2. <\/ul>\n