{"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\/pl\/blog\/news\/vypusk-sistemy-mashinnogo-perevoda-opennmt-tf-2-30","title":{"rendered":"Wydanie systemu t\u0142umaczenia maszynowego OpenNMT-tf 2.30.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Opublikowano wersj\u0119 systemu t\u0142umaczenia maszynowego OpenNMT-tf 2.30.0 (Open Neural Machine Translation), wykorzystuj\u0105c\u0105 metody uczenia maszynowego. Kod rozwijanych przez projekt OpenNMT-tf modu\u0142\u00f3w napisany jest w j\u0119zyku Python, u\u017cywa biblioteki TensorFlow i jest rozpowszechniany na licencji MIT. <\/p>\n
R\u00f3wnolegle rozwija si\u0119 wariant OpenNMT oparty na bibliotece PyTorch, kt\u00f3ry r\u00f3\u017cni si\u0119 pod wzgl\u0119dem wsparcia mo\u017cliwo\u015bci. Ponadto OpenNMT oparty na PyTorch jest przedstawiany jako prostszy w u\u017cyciu i multimodalny, podczas gdy wariant oparty na TensorFlow jest okre\u015blany jako modu\u0142owy, stabilny i pozwala na wykorzystanie mo\u017cliwo\u015bci GPU do przyspieszenia procesu uczenia si\u0119 sieci neuronowej. Aby upro\u015bci\u0107 dystrybucj\u0119 produktu, projekt rozwija r\u00f3wnie\u017c samowystarczaln\u0105 wersj\u0119 t\u0142umacza w j\u0119zyku C++ \u2014 CTranslate2, kt\u00f3ra wykorzystuje wst\u0119pnie wytrenowane modele bez zwi\u0105zku z dodatkowymi zale\u017cno\u015bciami. <\/p>\n
Modele przygotowane s\u0105 dla j\u0119zyk\u00f3w angielskiego, niemieckiego i katalo\u0144skiego, a dla pozosta\u0142ych j\u0119zyk\u00f3w mo\u017cna samodzielnie stworzy\u0107 model na podstawie zestawu danych z projektu OPUS (do uczenia systemu przekazywane s\u0105 dwa pliki \u2014 jeden z zdaniami w j\u0119zyku \u017ar\u00f3d\u0142owym, a drugi z jako\u015bciowym t\u0142umaczeniem tych zda\u0144 na j\u0119zyk docelowy). <\/p>\n
Projekt rozwija si\u0119 we wsp\u00f3\u0142pracy z firm\u0105 SYSTRAN, specjalizuj\u0105c\u0105 si\u0119 w tworzeniu narz\u0119dzi do t\u0142umaczenia maszynowego, oraz grup\u0105 badaczy z Harvardu, kt\u00f3rzy opracowuj\u0105 modele j\u0119zyka naturalnego dla system\u00f3w uczenia maszynowego. Interfejs u\u017cytkownika jest maksymalnie uproszczony i wymaga jedynie wskazania pliku wej\u015bciowego z tekstem oraz pliku do zapisania wyniku t\u0142umaczenia. System rozszerze\u0144 umo\u017cliwia dodawanie dodatkowej funkcjonalno\u015bci bazuj\u0105cej na OpenNMT, na przyk\u0142ad autoryzacj\u0119, klasyfikacj\u0119 tekst\u00f3w i generowanie napis\u00f3w. <\/p>\n
W nowej wersji: <\/p>\n
\n
Dodano wsparcie dla biblioteki TensorFlow 2.11, ale nowe optymalizatory Keras nie s\u0105 jeszcze wspierane (wymaga to u\u017cycia trybu tf.keras.optimizers.legacy).\n
Dodano wsparcie dla nowej wersji silnika CTranslate2 3.x, przeznaczonej do efektywnego wykonywania modeli z architektur\u0105 \u201etransformer\u201d.\n
Dodano parametr treningu modeli pad_to_bucket_boundary, kt\u00f3ry w\u0142\u0105cza dodatkowe wype\u0142nienie, wyr\u00f3wnuj\u0105ce rozmiar bloku do warto\u015bci wielokrotnych length_bucket_width.\n
Zintegrowana obs\u0142uga metryk chrf i chrf++ z projektu SacreBLEU, por\u00f3wnuj\u0105cych t\u0142umaczenia maszynowe z wzorcowym t\u0142umaczeniem ludzkim.\n
Usuni\u0119to atrybut modelu ctranslate2_spec, kt\u00f3ry nie jest ju\u017c u\u017cywany w CTranslate2. <\/ul>\n