{"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\/it\/blog\/news\/vypusk-sistemy-mashinnogo-perevoda-opennmt-tf-2-30","title":{"rendered":"Uscita del sistema di traduzione automatica OpenNMT-tf 2.30.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
\u00c8 stata pubblicata la versione 2.30.0 del sistema di traduzione automatica OpenNMT-tf (Open Neural Machine Translation), che utilizza metodi di machine learning. Il codice dei moduli sviluppati dal progetto OpenNMT-tf \u00e8 scritto in Python, utilizza la libreria TensorFlow ed \u00e8 distribuito con licenza MIT. <\/p>\n
Parallelamente, \u00e8 in fase di sviluppo una variante di OpenNMT basata sulla libreria PyTorch, che si distingue per le capacit\u00e0 supportate. Inoltre, OpenNMT basato su PyTorch viene presentato come pi\u00f9 facile da usare e multimodale, mentre la variante basata su TensorFlow \u00e8 segnalata come modulare, stabile e capace di sfruttare le potenzialit\u00e0 della GPU per accelerare il processo di training delle reti neurali. Per facilitare la distribuzione del prodotto, il progetto sta anche sviluppando una versione autonoma del traduttore in C++ \u2014 CTranslate2, che utilizza modelli pre-addestrati senza dipendenze aggiuntive. <\/p>\n
I modelli sono stati preparati per le lingue inglese, tedesca e catalana; per le altre lingue, \u00e8 possibile creare un modello autonomamente utilizzando un set di dati dal progetto OPUS (il sistema riceve due file per l'addestramento: uno con le frasi nella lingua sorgente e l'altro con la traduzione di qualit\u00e0 di queste frasi nella lingua target). <\/p>\n
Il progetto si sviluppa con la partecipazione dell'azienda SYSTRAN, specializzata nella creazione di strumenti di traduzione automatica, e di un gruppo di ricercatori di Harvard che sviluppano modelli di linguaggio umano per i sistemi di machine learning. L'interfaccia utente \u00e8 stata massimizzata per semplificare l'uso, richiedendo solo l'indicazione di un file di input con il testo e un file per salvare il risultato della traduzione. Il sistema di estensioni consente di implementare funzionalit\u00e0 aggiuntive basate su OpenNMT, come autoreferenziazione, classificazione dei testi e generazione di sottotitoli. <\/p>\n
Nella nuova versione: <\/p>\n
\n
\u00c8 stata aggiunta la compatibilit\u00e0 con la libreria TensorFlow 2.11, ma i nuovi ottimizzatori Keras non sono ancora supportati (\u00e8 necessario utilizzare la modalit\u00e0 tf.keras.optimizers.legacy).\n
\u00c8 stato aggiunto il supporto per il nuovo ramo del motore CTranslate2 3.x, progettato per l'esecuzione efficiente dei modelli con architettura 'trasformatore'.\n
\u00c8 stato aggiunto il parametro di addestramento delle modalit\u00e0 pad_to_bucket_boundary per includere il padding aggiuntivo che allinea la dimensione del blocco a valori che sono multipli di length_bucket_width.\n
\u00c8 stato integrato il supporto per le metriche chrf e chrf++ del progetto SacreBLEU, che confrontano la traduzione automatica con la traduzione umana di riferimento.\n
\u00c8 stato rimosso l'attributo del modello ctranslate2_spec, che non \u00e8 pi\u00f9 utilizzato in CTranslate2. <\/ul>\n