bytenet Python

Fork 0 关注 0

本项目使用DeepMind的ByteNet实现从法语到英语机器翻译功能。ByteNet将传统的RNN转换为conv1d，并在字符级翻译方面获得了快速的训练速度和极佳的性能。本项目将Sub Batch Normal替换为Layer Normalization，且没有使用简单的Bag-of-words来表示字符。

原始仓库地址：https://github.com/buriburisuri/bytenet.git

fairseq Python

Fork 0 关注 0

fairseq 是一个基于 seq2seq 结构的用于神经机器翻译的工具箱。它实现卷积序列卷积NMT模型的序列学习和卷积编码器模型的神经机器翻译，以及一个标准的基于LSTM的模型。其特点是可以在一台机器上进行多个GPU训练，以及在CPU和GPU上进行快速的 beam search。

原始仓库地址：https://github.com/facebookresearch/fairseq.git

undreamt Python

Fork 0 关注 0

**Undreamt**：无监督的神经机器翻译。 本项目是我们的无监督神经机器翻译系统的开源实现，描述如下: Mikel Artetxe, Gorka Labaka, Eneko Agirre, and Kyunghyun Cho. 2018. Unsupervised Neural Machine Translation. In Proceedings of the Sixth International Conference on Learning Representations (ICLR 2018). https://arxiv.org/pdf/1710.11041.pdf

原始仓库地址：https://github.com/artetxem/undreamt.git

marian C++

Fork 1 关注 0

**Marian**是一个高效的神经机器翻译框架，使用纯c++编写，具有最小的依赖性。 主要特点: - 快速多gpu训练和翻译 - 兼容Nematus和DL4MT - 高效的纯c++实现 - 开放源码许可(MIT）

原始仓库地址：https://github.com/marian-nmt/marian.git

subword-nmt Python

Fork 0 关注 0

**subword-nmt**是用于神经机器翻译和文本生成的无监督分词。这个存储库包含预处理脚本，用于将文本分割成子单词单元。主要目的是为了方便复现我们的实验。

原始仓库地址：https://github.com/rsennrich/subword-nmt.git

UnsupervisedMT Python

Fork 0 关注 0

这个存储库包含无监督PBSMT和NMT模型的原始实现。神经无监督机器翻译(EMNLP 2018)：https://arxiv.org/abs/1804.07755 **注意:**对于NMT方法，我们建议您查看跨语言语言模型预培训和相关的GitHub存储库https://github.com/facebookresearch/XLM， 其中包含更好的模型和更有效的无监督机器翻译实现。 NMT实现支持: - 三种机器翻译架构(seq2seq, biLSTM + attention, Transformer) - 能够跨模型/语言共享任意数量的参数 - 去噪auto-encoder训练 - 并行数据训练 - Back-parallel数据训练 - 时多线程生成反向并行数据 以及原始论文中没有用到的其他功能(留给以后的工作): - 在培训期间使用任意数量的语言 - 使用共享参数的语言模型预训练/联合训练 - 对抗训练 PBSMT实现支持: - 无监督短语表生成脚本 - Moses自动化训练

原始仓库地址：https://github.com/facebookresearch/UnsupervisedMT.git

nematus Python

Fork 0 关注 0

**nematus**是一个神经机器翻译编解码器模型。 显著特点包括： - 支持RNN和Transformer架构 - 支持先进的RNN架构: 任意输入特征(分解神经机器翻译)； deep models (Miceli Barone et al.， 2017)； 所有图层上的dropout (Gal, 2015)； 嵌入式绑定(Press and Wolf, 2016)； 图层正则化； 词汇模型(Nguyen and Chiang, 2018)； - 训练特征： 多GPU支持文档； 标签平滑； 使用用户定义的终止条件提前停止； 恢复训练(可选MAP-L2正则化到原始模型)； - 评分和解码功能: 批解码； n-best输出； 评分脚本(给定并行语料库)和重新取新脚本(n-best输出)； 服务器模式； - 其他可用性特性: 用于训练、评分和解码的命令行接口； json格式的模型超参数存储，词汇表文件和训练进度； 13个翻译方向的预训练模型； 向后兼容性:继续使用带有当前代码基的公开发布的模型(提供了将Theano转换为tensorflow样式的模型的脚本)；

原始仓库地址：https://github.com/EdinburghNLP/nematus.git

OpenNMT-tf Python

Fork 0 关注 0

**OpenNMT-tf**是一个使用TensorFlow的通用序列学习工具包。虽然神经机器翻译是主要的目标任务，但它已被设计成更广泛的支持。包括： - 序列到序列映射 - 序列标记 - 序列分类 - 语言建模

原始仓库地址：https://github.com/OpenNMT/OpenNMT-tf.git

mosesdecoder C

Fork 0 关注 0

**mosesdecoder**是一个机器翻译系统。http://www.statmt.org/moses 建造和安装说明在网上: http://www.statmt.org/moses/?n=Development.GetStarted 问题应直接发送到邮件列表(发送邮件前不要忘记注册): http://mailman.mit.edu/mailman/listinfo/moses-support

原始仓库地址：https://github.com/moses-smt/mosesdecoder.git

nmt Python

Fork 0 关注 0

**神经机器翻译(seq2seq)教程**： seq2seq模型在机器翻译、语音识别和文本摘要等多种任务中取得了巨大的成功。本教程向读者全面介绍了seq2seq模型，并展示了如何从头构建具有竞争力的seq2seq模型。神经机器翻译(NMT)是seq2seq模型的第一个成功的实验平台。所包含的代码是轻量级的、高质量的、可生产的，并与最新的研究思想相结合。我们的目标是： 1. 使用最新的解码器, TensorFlow 1.2数据迭代器 1. 结合我们强大的专业知识，建立seq2seq模型 1. 为建立最好的NMT模型和复制谷歌的NMT (GNMT)系统提供技巧

原始仓库地址：https://github.com/tensorflow/nmt.git