shuiluoyukai / english_chinese_machine_translation_baseline

tensor2tensor usage

AI_Challenger 机器翻译

官方提供的脚本有不少错误，python脚本从2迁移到了3。 训练基本中去掉了batch_size项，改用 --worker_gpu_memory_fraction 可以免去内存溢出风险。

git clone https://github.com/dreamnotover/english_chinese_machine_translation_baseline.git Neural Machine Translation (English-to-Chinese) baseline for AI_Challenger dataset.

Requirenments

• python 3.6
• TensorFlow 1.12.0
• tensor2tensor
• jieba 0.39 mkdir t2t_tmp t2t_data raw_data 1、下载数据 https://pan.baidu.com/s/1teDqwd3Tbc7cbacpzPpa7A 解压后放入raw_data，所有官方数据都放入一个文件夹以方便处理 unzip raw_data.zip -C raw_data

2 定义新问题 参考 https://blog.csdn.net/hpulfc/article/details/81172498 新问题在./ai_data目录

3、语料预处理与向量化 sh ./prepare.sh sh ./data_gen.sh

4、 训练模型 big模式在4台v100机器上训练，效果比base好多了 big 模式 sh train_big.sh base 模式 sh train_base.sh

5、翻译 将t2t_data里面的字典文件拷贝到 ./dict_path （一定要用自己的）,然后预测。（因为翻译时只用到字典，也可指定t2t_data目录） big 模式 sh decode_big.sh base 模式 sh decode_base.sh

6、 提交结果 wrap_xml.pl后面跟三个参数，'<' 代表输入流， '>" 代表输出流

./tools/wrap_xml.pl zh t2t_tmp/ai_challenger_MTEnglishtoChinese_testA_20180827_en.sgm Wenhua < translation_testB_no_space.txt >submit.sgm

7、评估 sh evaluate.sh

result文件夹放入了本人训练模型得出的结果。有点遗憾，最佳模型未能保留下来，t2t训练过程中会删除旧模型，有好的结果应该及时终止（或用另外一窗口拷贝）并保存好模型。

References

Attention Is All You Need

Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin

Full text available at: https://arxiv.org/abs/1706.03762

Code availabel at: https://github.com/tensorflow/tensor2tensor

parameter https://github.com/tensorflow/tensor2tensor/blob/master/tensor2tensor/utils/flags.py