Datawhale AI 夏令营_Task1：了解机器翻译&baseline粗略调整

一、机器翻译发展历程

        机器翻译（Machine Translation，简称MT）目标是将一种语言的文本自动转换为另一种语言的文本。

        1950s-1980s：基于规则的机器翻译，利用语言学家编写的语法规则和词典进行翻译。

        1990s-2000s：基于统计的机器翻译，通过分析大量双语文本，自动学习源语言和目标语言之间的对应关系，从而实现翻译。

        2010s-present：基于神经网络的机器翻译，利用深度学习技术实现 神经网络机器翻译（Neural Machine Translation，简称NMT）。NMT为当前机器翻译领域的主流方法。

二、知识补充

        自动评价指标 BLEU-4：一种常用的自动评价指标，用于衡量计算机生成的翻译与一组参考译文之间的相似度。

        训练集（Training Set）：用于训练模型，使模型能够学习输入数据与输出结果之间的映射关系。模型会根据训练集中的样本调整其参数，以最小化预测误差。

        开发集/验证集（Development/Validation Set）：用于在模型训练过程中调整超参数、选择模型架构以及防止过拟合。它作为独立于训练集的数据，用于评估模型在未见过的数据上的表现。

        测试集（Test Set）：用于最终评估模型的性能，是在模型训练和调参完全完成后，用来衡量模型实际应用效果的一组数据。它是最接近真实世界数据的评估标准。

        过拟合（overfitting）：训练误差和测试误差之间的差距太大。模型复杂度高于实际问题，模型在训练集上表现很好，但在测试集上却表现很差。模型对训练集"死记硬背"，泛化能力差。

三、二次baseline测试

        第一次的测试结果差强人意，在略微了解了一下baseline里的代码结合代码中所留下的注释后，对两个地方修改后，进行了第二次的测试。

        在给出的基础模型代码中，可以在main里找到一个熟悉的变量N，它代表选择训练的样本个数；再往下看可以找到与N关联的N_EPOCHS，它代表训练样本的次数。二者是最基础也是小白最容易修改优化的部分。

        

将这两个值改为你所期望的值，再次测试。

可以看见成绩显著的提升了0.5分！当然0.5对于整个要求是一个微不足道的分数，离完成还有很长的路。

        ps：N和N_EPOCHS也不是越高越好，都有一个上限和下限，超过或低于某个值训练过程所给出的train_loss就不会变化了，也就是出现了前文所说的过拟合现象。