Facebook သည် ပရိုဂရမ်းမင်းဘာသာစကားတစ်ခုမှ အခြားကုဒ်များကို ဘာသာပြန်ဆိုရန် TransCoder ကို တီထွင်နေပါသည်။

Facebook မှ အင်ဂျင်နီယာများသည် Transcompiler ကို ထုတ်ဝေခဲ့သည်။ TransCoderအရင်းအမြစ်ကုဒ်ကို အဆင့်မြင့်ပရိုဂရမ်းမင်းဘာသာစကားတစ်ခုမှ အခြားဘာသာစကားသို့ ပြောင်းလဲရန် စက်သင်ယူမှုနည်းစနစ်များကို အသုံးပြုသည်။ လက်ရှိတွင်၊ Java၊ C++ နှင့် Python အကြားကုဒ်ဘာသာပြန်ဆိုရန်အတွက် ပံ့ပိုးမှုပေးထားသည်။ ဥပမာအားဖြင့်၊ TransCoder သည် သင့်အား Java အရင်းအမြစ်ကုဒ်ကို Python ကုဒ်အဖြစ်သို့ ပြောင်းလဲနိုင်ပြီး Python ကုဒ်ကို Java အရင်းအမြစ်ကုဒ်သို့ ပြောင်းလဲခွင့်ပြုသည်။ ပရောဂျက်တိုးတက်မှုများကို လက်တွေ့အကောင်အထည်ဖော် ဆောင်ရွက်လျက်ရှိသည်။ သီအိုရီသုတေသန ကုဒ်များ၏ အလိုအလျောက် စုစည်းမှုနှင့် ထိရောက်သော အာရုံကြောကွန်ရက်ကို ဖန်တီးခြင်းအပေါ် ကူးစက်ပျံ့နှံ့သည် စီးပွားဖြစ်မဟုတ်သောအသုံးပြုမှုအတွက်သာ Creative Commons Attribution-NonCommercial 4.0 လိုင်စင်အောက်တွင် လိုင်စင်ရထားသည်။

စက်သင်ယူမှုစနစ်၏အကောင်အထည်ဖော်မှုသည် Pytorg ကိုအခြေခံသည်။ အဆင်သင့်လုပ်ထားသော မော်ဒယ်နှစ်ခုကို ဒေါင်းလုဒ်လုပ်ရန် ကမ်းလှမ်းသည်- ပဌမ C++ ကို Java သို့ ဘာသာပြန်ရန်၊ Java သို့ C++ နှင့် Java သို့ Python သို့ ဘာသာပြန်ရန်နှင့် ဒုတိယ ထုတ်လွှင့်မှုအတွက်
C++ မှ Python ၊ Python မှ C++ နှင့် Python သို့ Java ။ မော်ဒယ်များကို လေ့ကျင့်ရန်အတွက် GitHub တွင် တင်ထားသော ပရောဂျက်များ၏ အရင်းအမြစ်ကုဒ်များကို အသုံးပြုခဲ့သည်။ ဆန္ဒရှိပါက အခြားသော ပရိုဂရမ်းမင်းဘာသာစကားများအတွက် ဘာသာပြန်ဆိုမှုပုံစံများကို ဖန်တီးနိုင်သည်။ ထုတ်လွှင့်မှု၏ အရည်အသွေးကို စစ်ဆေးရန်အတွက် ယူနစ်စမ်းသပ်မှုအစုအဝေးတစ်ခုအပြင် အပြိုင်လုပ်ဆောင်ချက်ပေါင်း 852 ခုပါဝင်သည့် စမ်းသပ်မှုအစုံကို ပြင်ဆင်ထားပါသည်။

ဘာသာပြန်ခြင်းဆိုင်ရာ တိကျမှုအရ TransCoder သည် ပြောင်းလဲခြင်းစည်းမျဉ်းများကိုအခြေခံသည့် နည်းလမ်းများကိုအသုံးပြုသည့် စီးပွားဖြစ်ဘာသာပြန်များထက် သိသိသာသာသာလွန်ကောင်းမွန်ကြောင်း အခိုင်အမာဆိုထားပြီး အလုပ်စဥ်တွင် ၎င်းသည် အရင်းအမြစ်နှင့် ပစ်မှတ်ဘာသာစကားရှိ ကျွမ်းကျင်သူများ၏ ကျွမ်းကျင်အကဲဖြတ်မှုမပါဘဲ သင်လုပ်ဆောင်နိုင်မည်ဖြစ်သည်။ မော်ဒယ်၏လုပ်ဆောင်မှုအတွင်း ပေါ်ပေါက်လာသော အမှားအယွင်းအများစုကို ဒီကုဒ်ဒါတွင် ရိုးရှင်းသောကန့်သတ်ချက်များကို ထည့်သွင်းခြင်းဖြင့် ထုတ်ပေးသည့်လုပ်ဆောင်ချက်များသည် စည်းချက်ကျကျမှန်ကန်ကြောင်း သေချာစေရန်အတွက် ဖယ်ရှားနိုင်သည်။

သုတေသနပညာရှင်များသည် ထပ်တလဲလဲဖြစ်ခြင်းကို "အစားထိုးခြင်း" ဖြင့် မော်ဒယ်လ်ပုံစံပြုလုပ်ရန်အတွက် "Transformer" အသစ်ကို သုတေသီများက အဆိုပြုခဲ့သည်။အာရုံစူးစိုက်မှု"(seq2seq model with focus)၊ တွက်ချက်မှုဂရပ်တွင် မှီခိုမှုအချို့ကို ဖယ်ရှားနိုင်ပြီး ယခင်က parallelization အတွက် မပြင်ဆင်နိုင်သောအရာများကို မျဉ်းပြိုင်ပြုလုပ်နိုင်သည်။ ပံ့ပိုးပေးထားသော ဘာသာစကားများအားလုံးသည် အခြေခံမူသုံးခု—အစပြုခြင်း၊ ဘာသာစကားပုံစံတည်ဆောက်ခြင်းနှင့် နောက်ကြောင်းပြန်ဆိုခြင်းတို့ကို အသုံးပြု၍ လေ့ကျင့်ထားသည့် တစ်ခုတည်းသောဘုံပုံစံကို အသုံးပြုသည်။

source: opennet.ru