一窥谷歌神经机器翻译模型真面貌,其底层框架开源!

去年,谷歌发布了 Google Neural Machine Translation (GNMT),即谷歌 神经机器翻译,一个 sequence-to-sequence (“seq2seq”) 的 模型。现在,它已经用于谷歌 ...
来自: 开发者社区 > 博客 作者: 玄学酱 浏览:139 回复:0

Facebook宣布全面转为神经网络人工智能翻译

Facebook的人而言评分更高了。词汇量减少典型的 神经 机器翻译 模型会计算目标词汇中所有单词的概率分布。 在这个分布中包含的字数越多,计算所用的时间越多。 通过使用一种称为词汇减少的建模技术,可以在训练和推理时间上弥补这个问题。 通过词汇减少,可以将目标 ...
来自: 开发者社区 > 博客 作者: 燕儿199606 浏览:109 回复:0

“嘿,机器,你是怎么做好翻译的呀?” “来,我画给你看!” | 论文访谈间 #01

对于 神经机器翻译的深入理解和分析。因此,如果能够将网络可视化,找到网络中神经元之间的相关关系,将极大帮助人们探究 神经 机器翻译中出现的各类错误,同时也能帮助指导如何调试更好的 模型。而就在今年的 ACL2017 上,清华大学的丁延卓同学、刘洋老师、栾 ...
来自: 开发者社区 > 博客 作者: 青衫无名 浏览:181 回复:0
推荐

阿里云试用中心,为您提供0门槛上云实践机会!

0元试用32+款产品,最高免费12个月!拨打95187-1,咨询专业上云建议!
广告

如何用PyTorch实现递归神经网络?

-Learning,一种现代强化学习 模型)的演练。斯坦福的 Justin Johnson 教授有一个非常全面的教程,官方示例还包括——深度卷积生成对抗网络(DCGAN)、ImageNet 模型神经 机器翻译 模型(neural machine ...
来自: 开发者社区 > 博客 作者: 知与谁同 浏览:160 回复:0

PaperWeekly 第十五期---Attention模型在NMT任务中的应用和进展

) Generating sequences with recurrent neural networks2、2014年,seq2seq的 神经网络 模型用于 机器翻译。论文:Sutskever(2014) Sequence to sequence learning ...
来自: 开发者社区 > 博客 作者: 青衫无名 浏览:165 回复:0

深度学习在文本简化方面有什么最新应用进展

雷锋网按:本文作者谭继伟、姚金戈,均为北京大学计算机科学与技术研究所在读博士生,研究方向主要包括文本信息推荐与自动摘要。背景与介绍近年来, 机器翻译任务依靠深度学习技术取得了重大突破。最先进的 神经 机器翻译 模型已经能够在多种语言上超越传统统计 机器翻译 ...
来自: 开发者社区 > 博客 作者: 青衫无名 浏览:128 回复:0

谷歌传奇Jeff Dean给创业者的一小时AI讲座 | 86页PPT+视频

基于短语的 机器翻译 模型,绿色的是基于seq2seq的 神经网络 机器翻译 模型,黄色的表示双语人类(非专业翻译)。基于 神经网络的 模型远远超过了基于短语的统计 模型,越来越接近人类的水平。我们的日语-英语 神经网络机翻上线后,很多日本人都发现,翻译质量好了 ...
来自: 开发者社区 > 博客 作者: 行者武松 浏览:10 回复:0

机器学习基准大战:谷歌、百度、斯坦福等联手打造新基准MLPerf

处理器的 AWS Sockeye(https://github.com/awslabs/sockeye ) 神经 机器翻译 模型性能可达英伟达 V100 的 4 倍。”很长一段时间以来,业界对 AI 基准测试需求的现实意义展开了激烈的探讨与争论 ...
来自: 开发者社区 > 博客 作者: 技术小能手 浏览:75 回复:0

库、教程、论文实现,这是一份超全的PyTorch资源列表(Github 2.2K星

使用说明,包含安装、加载、训练、测试、演示等多方面的详细解释。例如哈佛大学的 OpenNMT 项目,它是非常流行的 神经 机器翻译工具包。从导入自定义数据集、加载词嵌入向量到完成 神经 机器翻译 模型的训练,OpenNMT 能支持整个流程,并且官方也一直在更新 ...
来自: 开发者社区 > 博客 作者: 技术小能手 浏览:135 回复:0

Keras作者Chollet谈深度学习的未来:自动调参,极端泛化

任务。例如,训练一个 神经 机器翻译 模型来完成英语到德语的翻译和法语到意大利语的翻译,结果是这个 模型在执行两个翻译任务时效果更好;训练一个能同时实现图像分割和图像分类的 模型,两个任务共享同一组卷积核,结果是这个 模型能更好地执行两个任务。类似的例子还有很多 ...
来自: 开发者社区 > 博客 作者: 行者武松 浏览:25 回复:0

对抗神经机器翻译:GAN+NMT 模型,中国研究者显著提升机翻质量

年提出的 RNNSearch 模型。论文:对抗 神经 机器翻译摘要在本文中,我们研究了 神经 机器翻译(NMT)的新学习范式。以往的研究都将人类翻译的可能性最大化,我们则将人类翻译与 NMT ...
来自: 开发者社区 > 博客 作者: 知与谁同 浏览:110 回复:0

阿里巴巴机器翻译团队:将TVM引入TensorFlow中以优化GPU上的神经机器翻译

神经 机器翻译(NMT)是自动翻译的端到端方法,这个方法具有克服传统短语翻译系统缺点的潜力。阿里巴巴 机器翻译团队在此基础上,利用TVM又有了新的突破!译者注:TVM 是由华盛顿大学在读博士陈天奇等人提出的深度学习自动代码生成方法,该技术能够自动为大多数计算 ...
来自: 开发者社区 > 博客 作者: 【方向】 浏览:50 回复:0

F8 2017 | 技术负责人为你解析 Facebook 神经机器翻译

技术负责人为你解析 Facebook 神经 机器翻译" href="//static.leiphone.com/uploads/new/article/740_740/201704/58f881126fcab.png" ...
来自: 开发者社区 > 博客 作者: 玄学酱 浏览:116 回复:0

斯坦福大学 NLP 组开放神经机器翻译代码库

代码库对于混合 NMT(hybrid NMT),请使用这个代码库并且引用: 代码库:https://github.com/lmthang/nmt.hybrid论文:使用混合词-字符 模型实现开放词汇 神经 机器翻译(Achieving ...
来自: 开发者社区 > 博客 作者: 寒凝雪 浏览:226 回复:0

【深度】AI 入侵翻译,神经机器翻译进化让巴别塔7年内成真

2017 录用的论文里提出了一个新的 神经 机器翻译(NMT) 模型,引入基于重构的忠实度指标,结果显示该 模型确实有效提高了机器翻译的表现。华为诺亚方舟实验室的研究人员表示,他们的&NMT 技术与谷歌持平。研究员在同一测试数据集上对谷歌、微 ...
来自: 开发者社区 > 博客 作者: 知与谁同 浏览:210 回复:0

《中国人工智能学会通讯》——2.28 端到端神经机器翻译

模型取代统计机器翻译的线性 模型;用单个复杂的 神经网络取代隐结构流水线;用连接编码器和解码器的向量来描述语义等价性;用递归 神经网络捕获无限长的历史信息。然而,端到端 神经 机器翻译最初并没有获得理想的翻译性能,一个重要原因是训练递归 神经网络时面临着&ldquo ...
来自: 开发者社区 > 博客 作者: 知与谁同 浏览:101 回复:0

哈佛大学 NLP 组开源神经机器翻译系统 OpenNMT

今天,Harvard NLP (哈佛大学自然语言处理研究组) 宣布开源其研发的 神经 机器翻译系统 OpenNMT,该系统使用了 Torch 数学工具包,已达 industrial-strength 可生产水平。![image](https ...
来自: 开发者社区 > 博客 作者: boxti 浏览:194 回复:0

斯坦福大学 NLP 组开放神经机器翻译代码库

论文:使用混合词-字符 模型实现开放词汇 神经 机器翻译(Achieving Open Vocabulary Neural Machine Translation with Hybrid Word-Character Models)摘要:几乎之前 ...
来自: 开发者社区 > 博客 作者: boxti 浏览:235 回复:0

哈佛神经机器翻译系统 OpenNMT 更新等 | AI 开发者头条

▲&内容预览:哈佛大学 神经 机器翻译系统 OpenNMT 新版本发布癌症检测突破!谷歌深度学习算法的乳腺癌检测准确率超病理科大夫两大 AI 平台联手!IBM Watson 与 Salesforce ...
来自: 开发者社区 > 博客 作者: 玄学酱 浏览:130 回复:0

阿里云PAI将神经机器翻译训练效率提升5倍

.alicdn.com/64a3b026946bf0bc212f25edfbe8222b53c447d4.png)图:使用不同卡数时,在中英100万训练语料上获得的收敛加速比现在,阿里翻译团队还在破解线上服务处理延时的难题,为 神经网络 机器翻译 模型 ...
来自: 开发者社区 > 博客 作者: 技术小能手 浏览:942 回复:1
< 1 2 3 4 ... 2659 >
共有2659页 跳转至: GO

新品推荐

你可能感兴趣

热门推荐

阿里云企典 企典文档内容 阿里云云电脑-无影 行业资讯 云通信网络加速 云展会解决方案 系统可信