FSMT

模型描述

这是一个针对en-ru的 fairseq wmt19 transformer 的移植版本。

更多细节，请参见 Facebook FAIR's WMT19 News Translation Task Submission 。

FSMT的缩写代表FairSeqMachineTranslation

所有四个模型都可用：

预期用途与局限性

如何使用

from transformers import FSMTForConditionalGeneration, FSMTTokenizer
mname = "facebook/wmt19-en-ru"
tokenizer = FSMTTokenizer.from_pretrained(mname)
model = FSMTForConditionalGeneration.from_pretrained(mname)

input = "Machine learning is great, isn't it?"
input_ids = tokenizer.encode(input, return_tensors="pt")
outputs = model.generate(input_ids)
decoded = tokenizer.decode(outputs[0], skip_special_tokens=True)
print(decoded) # Машинное обучение - это здорово, не так ли?

局限性与偏见

原始模型和此移植模型似乎不能很好地处理含有重复子短语的输入， content gets truncated

训练数据

预训练权重与fairseq发布的原始模型保持一致。更多细节，请参见 paper 。

评估结果

pair	fairseq	transformers
en-ru	12311321	33.47

由于“transformers”目前不支持：

模型集成，因此移植了表现最佳的检查点（model4.pt）。
重新排序

使用以下代码计算得分：

git clone https://github.com/huggingface/transformers
cd transformers
export PAIR=en-ru
export DATA_DIR=data/$PAIR
export SAVE_DIR=data/$PAIR
export BS=8
export NUM_BEAMS=15
mkdir -p $DATA_DIR
sacrebleu -t wmt19 -l $PAIR --echo src > $DATA_DIR/val.source
sacrebleu -t wmt19 -l $PAIR --echo ref > $DATA_DIR/val.target
echo $PAIR
PYTHONPATH="src:examples/seq2seq" python examples/seq2seq/run_eval.py facebook/wmt19-$PAIR $DATA_DIR/val.source $SAVE_DIR/test_translations.txt --reference_path $DATA_DIR/val.target --score_path $SAVE_DIR/test_bleu.json --bs $BS --task translation --num_beams $NUM_BEAMS

注意：fairseq报告使用一个beam大小为50，因此如果使用--num_beams 50重新运行，可能会得到稍高的得分。

数据来源

BibTeX条目和引用信息

@inproceedings{...,
  year={2020},
  title={Facebook FAIR's WMT19 News Translation Task Submission},
  author={Ng, Nathan and Yee, Kyra and Baevski, Alexei and Ott, Myle and Auli, Michael and Edunov, Sergey},
  booktitle={Proc. of WMT},
}

待办事项

移植模型集成（fairseq使用4个模型检查点）

作者:

Meta AI

数据集大小:

1.09 GB