Introduktion till maskinöversättning

Maskinöversättning med Keras

Thushan Ganegedara

Data Scientist and Author

Maskinöversättning

Hej översättningar

Maskinöversättning

Hej översättning med Google-ikon

Kursöversikt

Kapitel 1 – Introduktion till maskinöversättning
Kapitel 2 – Implementera en maskinöversättningsmodell (encoder-decoder-arkitektur)
Kapitel 3 – Träna modellen och generera översättningar
Kapitel 4 – Förbättra översättningsmodellen

Datamängd (engelskt-franskt meningskorpus)

Engelskt korpus

new jersey is sometimes quiet during autumn , and it is snowy in april .
the united states is usually chilly during july , and it is usually freezing ...
california is usually quiet during march , and it is usually hot in june .

Franskt korpus

new jersey est parfois calme pendant l' automne , et il est neigeux en avril .
les états-unis est généralement froid en juillet , et il gèle habituellement ...
california est généralement calme en mars , et il est généralement chaud en juin .

¹ https://github.com/udacity/deep-learning/tree/master/language-translation/data

Maskinöversättning – översikt

Engelska till franska

Maskinöversättning – översikt

Termer för käll- och målspråk

Maskinöversättning – översikt

Maskinöversättningsmodell

Maskinöversättning – översikt

Maskinöversättningsmodell

One-hot-kodade vektorer

En vektor av ettor och nollor
Vektorns längd bestäms av vokabulärets storlek
Vokabulär – samlingen av unika ord i datamängden

One-hot-vektorer

One-hot-kodade vektorer

En mappning med ord och deras motsvarande index

word2index = {"I":0, "like": 1, "cats": 2}

Omvandla ord till ID:n eller index

words = ["I", "like", "cats"]
word_ids = [word2index[w] for w in words]
print(word_ids)

[0, 1, 2]

One-hot-kodade vektorer

One-hot-kodning utan att ange utdatavektorns längd

onehot_1 = to_categorical(word_ids)
print([(w,ohe.tolist()) for w,ohe in zip(words, onehot_1)])

[('I', [1.0, 0.0, 0.0]), ('like', [0.0, 1.0, 0.0]), ('cats', [0.0, 0.0, 1.0])]

One-hot-kodning med angiven utdatavektorlängd

onehot_2 = to_categorical(word_ids, num_classes=5)
print([(w,ohe.tolist()) for w,ohe in zip(words, onehot_2)])

[('I', [1.0, 0.0, 0.0, 0.0, 0.0]), ('like', [0.0, 1.0, 0.0, 0.0, 0.0]), 
('cats', [0.0, 0.0, 1.0, 0.0, 0.0])]

Nu kör vi en övning!

Maskinöversättning med Keras