机器翻译——英译中

RuizhiHe

已于 2023-12-22 09:52:46 修改

阅读量3.9k

点赞数 9

分类专栏：自然语言处理文章标签：人工智能机器学习深度学习自然语言处理机器翻译

于 2021-08-04 16:15:45 首次发布

本文链接：https://blog.csdn.net/qq_24178985/article/details/119296692

版权

自然语言处理专栏收录该内容

10 篇文章 12 订阅

订阅专栏

1. 前言

本文使用飞桨（PaddlePaddle）训练机器翻译模型，实现将英文翻译成中文的神经网络翻译机。
本人全部文章请参见：博客文章导航目录
本文归属于：自然语言处理系列
本系列实践代码请参见：我的GitHub
前文：BERT与ERNIE

2. 训练机器翻译模型

本文使用Sequence-to-Sequence模型原理一文中所述Seq2Seq模型实现机器翻译。其中RNN使用长短期记忆网络（LSTM）原理与实战一文中所述LSTM模型结构，同时结合注意力机制（Attention）：Seq2Seq模型的改进一文中所述注意力机制改进Seq2Seq模型，提升机器翻译效果。
本文代码部分参考了PaddlePaddle官方应用实践教程，对代码结构进行了修改，并调整了部分处理逻辑，使得该深度学习实践与本系列讲解的方法原理一致。

2.1 数据处理

本文讲解的机器翻译实践使用http://www.manythings.org/anki/提供的中英文句子对作为训练数据集。对于英文，先将其全部变成小写，然后仅保留英文单词及句子末尾标点符号。对于中文，直接按字进行切分，不采用分词操作。同时设定MAX_LEN = 20，得到一个包含29077个中英句子对的训练数据集。
对数据集进行进一步处理，生成中英文词表。在英文句子后添加<eos>符号，在中文句子前后分别添加<bos>和<eos>符号，
并使用<pad>符号将短句子填充成统一长度。最后根据中文句子创建Decoder每个时刻标签对应的句子，并将训练句子转换成词的ID构成的序列。具体代码如下：

# -*- coding: utf-8 -*-
# @Time    : 2021/8/1 19:16
# @Author  : He Ruizhi
# @File    : machine_translation.py
# @Software: PyCharm

import paddle
import paddle.nn.functional as F
import re
import numpy as np
import time
import warnings
warnings.filterwarnings('ignore')
print(paddle.__version__)  # 2.1.0

# 设置训练句子最大长度，用于筛选数据集中的部分数据
MAX_LEN = 20


def create_dataset(file_path):
    """
    构建机器翻译训练数据集

    :param file_path: 训练数据路径
    :return:
    train_en_sents：由数字ID组成的英文句子
    train_cn_sents：由数字ID组成的中文句子
    train_cn_label_sents：由数字ID组成的中文词汇标签
    en_vocab：英文词表
    cn_vocab：中文词表
    """
    with open(file_path, 'rt', encoding='utf-8') as f:
        lines = f.read().strip().split('\n')
    # 设置正则匹配模板，用于从英文句子中提取单词
    words_re = re.compile(r'\w+')

    # 将训练数据文件中的中文和英文句子全部提取出来
    pairs = []
    for line in lines:
        en_sent, cn_sent, _ = line.split('\t')
        pairs.append((words_re.findall(en_sent.lower())+[en_sent[-1]], list(cn_sent)))

    # 从原始训练数据中筛选出一部分数据用来训练模型
    # 实际训练神经网络翻译机时数据量肯定是越多越好，不过本文只选取长度小于10的句子
    filtered_pairs = []
    for pair in pairs:
        if len(pair[0]) < MAX_LEN and len(pair[1]) < MAX_LEN:
            filtered_pairs.append(pair)

    # 创建中英文词表，将中文和因为句子转换成词的ID构成的序列
    # 此外须在词表中添加三个特殊词：<pad>用来对短句子进行填充；<bos>表示解码时的起始符号；<eos>表示解码时的终止符号
    # 在实际任务中，一般还会需要指定<unk>符号表示在词表中未出现过的词，并在构造训练集时有意识地添加<unk>符号，使模型能够处理相应情况
    en_vocab = {}
    cn_vocab = {}
    en_vocab['<pad>'], en_vocab['<bos>'], en_vocab['<eos>'] = 0, 1, 2
    cn_vocab['<pad>'], cn_vocab['<bos>'], cn_vocab['<eos>'] = 0, 1, 2
    en_idx, cn_idx = 3, 3
    for en, cn in filtered_pairs:
        for w in en:
            if w not in en_vocab:
                en_vocab[w] = en_idx
                en_idx += 1
        for w in cn:
            if w not in cn_vocab:
                cn_vocab[w] = cn_idx
                cn_idx += 1

    # 使用<pad>符号将短句子填充成长度一致的句子，便于使用批量数据训练模型
    # 同时根据词表，创建一份实际的用于训练的用numpy array组织起来的数据集
    padded_en_sents = []
    padded_cn_sents = []
    # 训练过程中的预测的目标，即每个中文的当前词去预测下一个词是什么词
    padded_cn_label_sents = []
    for en, cn in filtered_pairs:
        padded_en_sent = en + ['<eos>'] + ['<pad>'] * (MAX_LEN - len(en))
        padded_cn_sent = ['<bos>'] + cn + ['<eos>'] + ['<pad>'] * (MAX_LEN - len(cn))
        padded_cn_label_sent = cn + ['<eos>'] + ['<pad>'] * (MAX_LEN - len(cn) + 1)

        # 根据词表，将相应的单词转换成数字ID
        padded_en_sents.append([en_vocab[w] for w in padded_en_sent])
        padded_cn_sents.append([cn_vocab[w] for w in padded_cn_sent])
        padded_cn_label_sents.append([cn_vocab[w] for w in padded_cn_label_sent])

    # 将训练数据用numpy array组织起来
    train_en_sents = np.array(padded_en_sents, dtype='int64')
    train_cn_sents = np.array(padded_cn_sents, dtype='int64')
    train_cn_label_sents = np.array(padded_cn_label_sents, dtype='int64')

    return train_en_sents, train_cn_sents, train_cn_label_sents, en_vocab, cn_vocab

2.2 网络构建

本文讲解的机器翻译实践采用Encoder-AttentionDecoder架构，Encoder采用LSTM模型，Decoder采用Attention+LSTM模型。虽然在注意力机制（Attention）：Seq2Seq模型的改进一文中为了讲解简便，使用的是SimpleRNN+Attention，而不是LSTM+Attention。但是使用不同的RNN结构，本质均为Decoder RNN初始状态等于Encoder RNN最后时刻状态，Decoder RNN $t$ 时刻输入为 $x_t^\prime$ 和Context Vector $c_{t-1}$ 拼接而成的向量。

2.2.1 构建Encoder

在Encoder部分，输入英文句子，通过查找完Embedding之后接一个LSTM的方式构建一个对英文句子编码的网络。具体代码如下：

class Encoder(paddle.nn.Layer):
    """Seq2Seq模型Encoder，采用LSTM结构"""
    def __init__(self, en_vocab_size, en_embedding_dim, lstm_hidden_size, lstm_num_layers):
        super(Encoder, self).__init__()
        self.emb = paddle.nn.Embedding(num_embeddings=en_vocab_size, embedding_dim=en_embedding_dim)
        self.lstm = paddle.nn.LSTM(input_size=en_embedding_dim, hidden_size=lstm_hidden_size,
                                   num_layers=lstm_num_layers)

    def forward(self, x):
        x = self.emb(x)
        x, (h, c) = self.lstm(x)
        return x, h, c

2.2.2 构建AttentionDecoder

在Decoder部分，通过一个带有Attention的LSTM来完成解码。
Decoder的forward函数每次调用只让LSTM往前计算一次，即对只生成当前时刻的输出，而不是生成整个输出序列。整体的recurrent部分，是在训练循环内完成的。
本文讲解的机器翻译实践Attention中权重计算采用注意力机制（Attention）：Seq2Seq模型的改进一文3.2部分所述方法一。即将Decoder $t$ 时刻输出状态向量 $s_t$ 分别与Encoder各个时刻状态向量 $h_1$ 至 $h_m$ 拼接，依次通过一个tanh函数激活的全连接层，和一个线性加和层（Linear Layer）。
具体代码如下：

class AttentionDecoder(paddle.nn.Layer):
    """Seq2Seq模型解码器，采用带有注意力机制的LSTM结构"""
    def __init__(self, cn_vocab_size, cn_embedding_dim, lstm_hidden_size, v_dim):
        super(AttentionDecoder, self).__init__()
        self.emb = paddle.nn.Embedding(num_embeddings=cn_vocab_size, embedding_dim=cn_embedding_dim)
        # lstm层输入为x'_t和Context Vector拼接而成的向量，Context Vector的维度与lstm_hidden_size一致
        self.lstm = paddle.nn.LSTM(input_size=cn_embedding_dim + lstm_hidden_size,
                                   hidden_size=lstm_hidden_size)

        # 用于计算Attention权重
        self.attention_linear1 = paddle.nn.Linear(lstm_hidden_size * 2, v_dim)
        self.attention_linear2 = paddle.nn.Linear(v_dim, 1)

        # 用于根据lstm状态计算输出
        self.out_linear = paddle.nn.Linear(lstm_hidden_size, cn_vocab_size)

    # forward函数每次往前计算一次。整体的recurrent部分，是在训练循环内完成的。
    def forward(self, x, previous_hidden, previous_cell, encoder_outputs):
        x = self.emb(x)

        # 对previous_hidden进行数据重排
        hidden_transpose = paddle.transpose(previous_hidden, [1, 0, 2])

        # attention输入：Decoder当前状态和Encoder所有状态
        # 总共需计算encoder_outputs.shape[1]个权重（这是因为会在输入句子后面加上一个<eos>符号）
        attention_inputs = paddle.concat(
            (encoder_outputs, paddle.tile(hidden_transpose, repeat_times=[1, encoder_outputs.shape[1], 1])), axis=-1
        )

        attention_hidden = self.attention_linear1(attention_inputs)
        attention_hidden = F.tanh(attention_hidden)
        attention_logits = self.attention_linear2(attention_hidden)
        attention_logits = paddle.squeeze(attention_logits)

        # 计算得到所有encoder_outputs.shape[1]个权重
        attention_weights = F.softmax(attention_logits)
        attention_weights = paddle.expand_as(paddle.unsqueeze(attention_weights, -1),
                                             encoder_outputs)

        # 计算Context Vector
        context_vector = paddle.multiply(encoder_outputs, attention_weights)
        context_vector = paddle.sum(context_vector, 1)
        context_vector = paddle.unsqueeze(context_vector, 1)

        lstm_input = paddle.concat((x, context_vector), axis=-1)

        x, (hidden, cell) = self.lstm(lstm_input, (previous_hidden, previous_cell))

        output = self.out_linear(hidden)
        output = paddle.squeeze(output, axis=0)
        return output, (hidden, cell)

2.3 训练模型

定义trian函数，创建Encoder和AttentionDecoder对象，创建Adam优化器，设定学习率和优化参数。
在每个epoch内，随机打乱训练数据，在每个batch内，通过多次调用atten_decoder，实现解码时的recurrent循环。在每次解码下一个词时，给定了训练数据当中的真实词作为了预测下一个词时的输入。
具体代码如下：

def train(train_en_sents, train_cn_sents, train_cn_label_sents, epochs, learning_rate, batch_size,
          en_vocab_size, en_embedding_dim, lstm_hidden_size, lstm_num_layers,
          cn_vocab_size, cn_embedding_dim, v_dim):
    encoder = Encoder(en_vocab_size, en_embedding_dim, lstm_hidden_size, lstm_num_layers)
    atten_decoder = AttentionDecoder(cn_vocab_size, cn_embedding_dim, lstm_hidden_size, v_dim)
    opt = paddle.optimizer.Adam(learning_rate=learning_rate, parameters=encoder.parameters()+atten_decoder.parameters())

    for epoch in range(epochs):
        print("epoch:{}".format(epoch))

        # 将训练数据集打乱
        perm = np.random.permutation(len(train_en_sents))
        train_en_sents_shuffled = train_en_sents[perm]
        train_cn_sents_shuffled = train_cn_sents[perm]
        train_cn_label_sents_shuffled = train_cn_label_sents[perm]

        for iteration in range(train_en_sents_shuffled.shape[0] // batch_size):
            # 获取一个batch的英文句子训练数据
            x_data = train_en_sents_shuffled[(batch_size * iteration):(batch_size * (iteration + 1))]
            # 将数据转换成paddle内置tensor
            sent = paddle.to_tensor(x_data)
            # 经过encoder得到对输入数据的编码
            en_repr, hidden, cell = encoder(sent)

            # 获取一个batch的对应的中文句子数据
            x_cn_data = train_cn_sents_shuffled[(batch_size * iteration):(batch_size * (iteration + 1))]
            x_cn_label_data = train_cn_label_sents_shuffled[(batch_size * iteration):(batch_size * (iteration + 1))]

            # 损失
            loss = paddle.zeros([1])

            # 解码器循环，计算总损失
            for i in range(MAX_LEN + 2):
                # 获得当前输入atten_decoder的输入元素及标签
                cn_word = paddle.to_tensor(x_cn_data[:, i:i + 1])
                cn_word_label = paddle.to_tensor(x_cn_label_data[:, i])

                logits, (hidden, cell) = atten_decoder(cn_word, hidden, cell, en_repr)
                step_loss = F.cross_entropy(logits, cn_word_label)
                loss += step_loss

            # 计算平均损失
            loss = loss / (MAX_LEN + 2)

            if iteration % 200 == 0:
                print("iter {}, loss:{}".format(iteration, loss.numpy()))

            # 后向传播
            loss.backward()
            # 参数更新
            opt.step()
            # 清除梯度
            opt.clear_grad()

    # 训练完成保存模型参数
    paddle.save(encoder.state_dict(), 'models/encoder.pdparams')
    paddle.save(atten_decoder.state_dict(), 'models/atten_decoder.pdparams')

调用create_dataset函数生成训练数据。设置超参数epochs = 20，batch_size = 64，learning_rate = 0.001，en_embedding_dim = 128，cn_embedding_dim = 128，lstm_hidden_size = 256，lstm_num_layers = 1以及v_dim = 256，调用train函数开启训练。代码如下：

if __name__ == '__main__':
    train_en_sents, train_cn_sents, train_cn_label_sents, en_vocab, cn_vocab = create_dataset('datasets/cmn.txt')

    # 设置超参数
    epochs = 20
    batch_size = 64
    learning_rate = 0.001
    en_vocab_size = len(en_vocab)
    cn_vocab_size = len(cn_vocab)
    en_embedding_dim = 128
    cn_embedding_dim = 128
    lstm_hidden_size = 256
    lstm_num_layers = 1
    v_dim = 256

    start_time = time.time()
    train(train_en_sents, train_cn_sents, train_cn_label_sents, epochs, learning_rate, batch_size,
          en_vocab_size, en_embedding_dim, lstm_hidden_size, lstm_num_layers,
          cn_vocab_size, cn_embedding_dim, v_dim)
    finish_time = time.time()
    print('训练用时：{:.2f}分钟'.format((finish_time-start_time)/60.0))

使用GPU训练模型，用时共7.59分钟。如果使用CPU，预计训练所用时间至少翻一倍。其中训练过程打印的信息如下：

2.1.0
W0803 22:08:31.521724 16684 device_context.cc:404] Please NOTE: device: 0, GPU Compute Capability: 6.1, Driver API Version: 11.2, Runtime API Version: 10.1
W0803 22:08:31.536396 16684 device_context.cc:422] device: 0, cuDNN Version: 7.6.
epoch:0
iter 0, loss:[8.066058]
iter 200, loss:[3.3313792]
epoch:1
iter 0, loss:[3.0832756]
iter 200, loss:[2.9235165]
epoch:2
iter 0, loss:[2.5026035]
iter 200, loss:[2.6165113]
epoch:3
iter 0, loss:[2.511048]
iter 200, loss:[2.173079]
epoch:4
iter 0, loss:[2.342031]
iter 200, loss:[2.179213]
epoch:5
iter 0, loss:[1.9800943]
iter 200, loss:[1.9754598]
epoch:6
iter 0, loss:[2.1824288]
iter 200, loss:[2.0068507]
epoch:7
iter 0, loss:[1.8755927]
iter 200, loss:[1.7782102]
epoch:8
iter 0, loss:[1.6492431]
iter 200, loss:[1.7164807]
epoch:9
iter 0, loss:[1.5739967]
iter 200, loss:[1.5312105]
epoch:10
iter 0, loss:[1.6726758]
iter 200, loss:[1.5393445]
epoch:11
iter 0, loss:[1.391438]
iter 200, loss:[1.3156104]
epoch:12
iter 0, loss:[1.328358]
iter 200, loss:[1.0773911]
epoch:13
iter 0, loss:[1.1689429]
iter 200, loss:[1.2644379]
epoch:14
iter 0, loss:[1.0560603]
iter 200, loss:[1.1911696]
epoch:15
iter 0, loss:[1.1562344]
iter 200, loss:[1.0733411]
epoch:16
iter 0, loss:[1.0015976]
iter 200, loss:[0.9953356]
epoch:17
iter 0, loss:[0.78453755]
iter 200, loss:[1.0062006]
epoch:18
iter 0, loss:[0.8454544]
iter 200, loss:[1.0099177]
epoch:19
iter 0, loss:[0.8389757]
iter 200, loss:[0.74120027]
训练用时：7.59分钟

3. 使用模型进行机器翻译

3.1 演示机器翻译效果

训练完成后，从训练集中随机抽取部分句子演示机器翻译效果。定义translate_test函数，从训练集中随机抽取部分句子，经过encoder编码，再使用atten_decoder解码，并将结果输出。具体代码如下：

def translate_test(num_of_exampels_to_evaluate, encoder, atten_decoder, en_vocab, cn_vocab):
    """
    展示机器翻译效果，用训练集中部分数据查看机器的翻译的结果

    :param num_of_exampels_to_evaluate: 指定从训练多少句子
    :param encoder: 训练好的encoder
    :param atten_decoder: 训练好的atten_decoder
    :param en_vocab: 英文词汇表
    :param cn_vocab: 中文词汇表
    :return: None
    """

    # 将模型设置为eval模式
    encoder.eval()
    atten_decoder.eval()

    # 从训练数据中随机选择部分英语句子展示翻译效果
    indices = np.random.choice(len(train_en_sents), num_of_exampels_to_evaluate, replace=False)
    x_data = train_en_sents[indices]
    sent = paddle.to_tensor(x_data)
    en_repr, hidden, cell = encoder(sent)

    # 获取随机选择到的英语句子和对应的中文翻译
    en_vocab_list = list(en_vocab)
    cn_vocab_list = list(cn_vocab)
    en_sents = []
    cn_sents = []
    for i in range(num_of_exampels_to_evaluate):
        this_en_sents = []
        this_cn_sents = []
        for en_vocab_id in train_en_sents[indices[i]]:
            # 0，1，2是三个特殊符号的ID
            if en_vocab_id not in [0, 1, 2]:
                this_en_sents.append(en_vocab_list[en_vocab_id])
        for cn_vocab_id in train_cn_sents[indices[i]]:
            if cn_vocab_id not in [0, 1, 2]:
                this_cn_sents.append(cn_vocab_list[cn_vocab_id])
        en_sents.append(this_en_sents)
        cn_sents.append(this_cn_sents)

    # Decoder解码时输入的第一个符号为<bos>
    word = np.array([[cn_vocab['<bos>']]] * num_of_exampels_to_evaluate)
    word = paddle.to_tensor(word)

    decoded_sent = []
    for i in range(MAX_LEN + 2):
        logits, (hidden, cell) = atten_decoder(word, hidden, cell, en_repr)
        word = paddle.argmax(logits, axis=1)
        decoded_sent.append(word.numpy())
        word = paddle.unsqueeze(word, axis=-1)

    results = np.stack(decoded_sent, axis=1)
    for i in range(num_of_exampels_to_evaluate):
        en_input = " ".join(en_sents[i][:-1]) + en_sents[i][-1]
        ground_truth_translate = "".join(cn_sents[i][:-1]) + cn_sents[i][-1]
        model_translate = ""
        for k in results[i]:
            w = list(cn_vocab)[k]
            if w != '<pad>' and w != '<eos>':
                model_translate += w
        print(en_input)
        print("true: {}".format(ground_truth_translate))
        print("pred: {}".format(model_translate))

创建encoder和atten_decoder对象，并加载训练好的模型参数，调用translate函数查看机器翻译效果。具体代码如下：

    # 用训练好的模型来预测
    # 首先创建encoder和atten_decoder对象，并加载训练好的参数
    encoder = Encoder(en_vocab_size, en_embedding_dim, lstm_hidden_size, lstm_num_layers)
    atten_decoder = AttentionDecoder(cn_vocab_size, cn_embedding_dim, lstm_hidden_size, v_dim)
    encoder_state_dict = paddle.load('models/encoder.pdparams')
    atten_decoder_state_dict = paddle.load('models/atten_decoder.pdparams')
    encoder.set_state_dict(encoder_state_dict)
    atten_decoder.set_state_dict(atten_decoder_state_dict)

    # 调用translate_test函数实现机器翻译——英译中
    translate_test(10, encoder, atten_decoder, en_vocab, cn_vocab)

运行上述代码，打印如下结果：

one hundred years is called a century.
true: 一百年被叫做一个世纪。
pred: 一个人都在10岁了。
how long would it take?
true: 要多长时间？
pred: 要多久？
i m waiting for this store to open.
true: 我正等著這家店開門。
pred: 我在等我去那裡。
why do you need this money?
true: 你為什麼需要這筆錢？
pred: 你為什麼需要这种錢？
i m free now.
true: 我现在有空了。
pred: 我现在有点了。
he said that it was nine o clock.
true: 他说九点了。
pred: 他說他很快就了。
you ve got a lot of willpower.
true: 你的意志力很強。
pred: 你的朋友很好。
i ve got something i want to show you.
true: 我有东西想给你看看。
pred: 我有些事要我想要你。
that hurts.
true: 真疼。
pred: 真疼。
the top of mt fuji was covered with snow.
true: 富士山顶盖满了雪。
pred: 富士山被山顶盖了。

3.2 翻译自定义英文输入

定义translate_self函数，将输入的英文句子经过encoder编码，再使用atten_decoder解码，将输入的英文句子翻译成中文。具体代码如下：

def translate_self(encoder, atten_decoder, en_vocab, cn_vocab, max_translation_length, use_pad=True):
    """根据输入的英文句子，完成机器翻译——英译中

    Tips:
        1> 当前程序并未在训练数据中添加'<unk>'，当输入语料中包含不在英文词表中的词，使用'<pad>'符号进行替换

    Args:
        max_translation_length: 翻译的中文句子的最长长度，超过该长度直接截断
        use_pad: 是否将输入的长度小于MAX_LEN的英文句子使用'<pad>'字符填充
            True: 该模式会将输入的英文句子长度填充至MAX_LEN。由于训练时使用了'<pad>'字符填充，翻译效果会好很多
            False: 不对输入的英文句子进行填充。该模式更贴近实际应用场景，但是在当前数据量下，效果预计会比较差
    """
    # 将模型设置为eval模式
    encoder.eval()
    atten_decoder.eval()

    while True:
        input_en = input("Please enter the English sentence to be translated: ")
        print(f"Your English sentence: {input_en}")

        # 将英文句子转换成token
        words_re = re.compile(r'\w+')
        words_en = words_re.findall(input_en)
        if input_en[-1] in [".", "?", "!"]:
            words_en += [input_en[-1]]
        words_en += ["<eos>"]
        words_en = [word.lower() if word.lower() in en_vocab else "<pad>" for word in words_en]
        if use_pad and len(words_en) < MAX_LEN + 1:
            words_en += ["<pad>"] * (MAX_LEN - len(words_en) + 1)
        tokens_en = [[en_vocab[word] for word in words_en]]
        print(f"Sentence for translator: {' '.join(words_en)}")

        sent = paddle.to_tensor(tokens_en, dtype="int64")
        en_repr, hidden, cell = encoder(sent)
        # Decoder解码时输入的第一个符号为<bos>
        word = np.array([[cn_vocab['<bos>']]])
        word = paddle.to_tensor(word)

        print("Translated Chinese sentences: ", end="")
        for i in range(max_translation_length):
            logits, (hidden, cell) = atten_decoder(word, hidden, cell, en_repr)
            word = paddle.argmax(logits, axis=1)
            word_id = word.numpy()
            if word_id != 2:
                print(list(cn_vocab)[int(word_id)], end="")
            else:
                break
            word = paddle.unsqueeze(word, axis=-1)
        print("\n==============================================")

调用translate_self函数，输入英文句子，查看训练好的机器翻译模型效果：

    # 调用translate_self函数，翻译自定义英文输入
    translate_self(encoder, atten_decoder, en_vocab, cn_vocab, 25, use_pad=True)

运行上述代码，多次输入自定义英文句子，打印结果如下：

Please enter the English sentence to be translated: How old are you?
Your English sentence: How old are you?
Sentence for translator: how old are you ? <eos> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad>
Translated Chinese sentences: 你幾歲?
==============================================
Please enter the English sentence to be translated: What's your name?
Your English sentence: What's your name?
Sentence for translator: what s your name ? <eos> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad>
Translated Chinese sentences: 你叫什么？
==============================================
Please enter the English sentence to be translated: I love you forever.
Your English sentence: I love you forever.
Sentence for translator: i love you forever . <eos> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad>
Translated Chinese sentences: 我喜欢你们的第一。
==============================================
Please enter the English sentence to be translated: I'm fine, thanks. And you?
Your English sentence: I'm fine, thanks. And you?
Sentence for translator: i m fine thanks and you ? <eos> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad>
Translated Chinese sentences: 我又你的感覺，不是嗎？
==============================================
Please enter the English sentence to be translated: Never give up!
Your English sentence: Never give up!
Sentence for translator: never give up ! <eos> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad> <pad>
Translated Chinese sentences: 别来。

本文着重综合NLP模型原理与应用系列内容，讲述机器翻译基本原理和深度学习实践流程，离产业化机器翻译模型还比较遥远。在工业界，主流使用BERT+Transform模型，而不是文本所采用的模型。同时工业训练神经网络翻译机，训练数据量级不可同日而语。

4. 参考资料链接

https://www.paddlepaddle.org.cn/documentation/docs/zh/tutorial/nlp_case/seq2seq_with_attention/seq2seq_with_attention.html

RuizhiHe

关注

9
点赞
踩
56

收藏

觉得还不错? 一键收藏
打赏
4
评论
机器翻译——英译中

1. 前言本文使用飞桨（PaddlePaddle）训练机器翻译模型，实现从英文翻译成中文的机器翻译。本人全部文章请参见：博客文章导航目录本文归属于：NLP模型原理与应用系列前文：BERT与ERNIE
复制链接

扫一扫