Hugging Face's logo

mesolitica
/
nanot5-small-malaysian-translation-v2

Translation
Transformers
Safetensors
t5
text2text-generation
text-generation-inference
Inference Endpoints
Model card Files Community
nanot5-small-malaysian-translation-v2 / README.md
huseinzol05's picture
huseinzol05
Update README.md
5b3765e verified
preview code
|
raw
history blame
3.33 kB
metadata
library_name: transformers
tags: []

NanoT5 Small Malaysian Translation

Finetuned https://huggingface.co/mesolitica/nanot5-small-malaysian-cased using 2048 context length on 7B tokens of translation dataset.

  • This model able to translate from localize text into standard text.
  • This model able to reverse translate from standard to localize text, suitable for text augmentation.
  • This model able to translate code.
  • This model natively code switching.
  • This model maintain \n, \t, \r as it is.

Still in training session, Wandb at https://wandb.ai/huseinzol05/nanot5-small-malaysian-cased-translation-v4?nw=nwuserhuseinzol05

Supported prefix

  1. 'terjemah ke Mandarin: '
  2. 'terjemah ke Tamil: '
  3. 'terjemah ke Jawa: '
  4. 'terjemah ke Melayu: '
  5. 'terjemah ke Inggeris: '
  6. 'terjemah ke johor: '
  7. 'terjemah ke kedah: '
  8. 'terjemah ke kelantan: '
  9. 'terjemah ke pasar Melayu: '
  10. 'terjemah ke melaka: '
  11. 'terjemah ke negeri sembilan: '
  12. 'terjemah ke pahang: '
  13. 'terjemah ke perak: '
  14. 'terjemah ke sabah: '
  15. 'terjemah ke sarawak: '
  16. 'terjemah ke terengganu: '
  17. 'terjemah ke Jawi: '
  18. 'terjemah ke Manglish: '
  19. 'terjemah ke Banjar: '
  20. 'terjemah ke pasar Mandarin: '

how to 

from transformers import AutoTokenizer, T5ForConditionalGeneration

tokenizer = AutoTokenizer.from_pretrained('mesolitica/nanot5-small-malaysian-translation-v2')
model = T5ForConditionalGeneration.from_pretrained('mesolitica/nanot5-small-malaysian-translation-v2')

strings = [
    'ak tak paham la',
    'Hi guys! I noticed semalam & harini dah ramai yang dapat cookies ni kan. So harini i nak share some post mortem of our first batch:',
    "Memanglah. Ini tak payah expert, aku pun tau. It's a gesture, bodoh.",
    'jam 8 di pasar KK memang org ramai 😂, pandai dia pilih tmpt.',
    'Jadi haram jadah😀😃🤭',
    'nak gi mana tuu',
    'Macam nak ambil half day',
    "Bayangkan PH dan menang pru-14. Pastu macam-macam pintu belakang ada. Last-last Ismail Sabri naik. That's why I don't give a fk about politics anymore. Sumpah dah fk up dah.",
]
all_special_ids = [0, 1, 2]
prefix = 'terjemah ke Melayu: '
input_ids = [{'input_ids': tokenizer.encode(f'{prefix}{s}{tokenizer.eos_token}', return_tensors='pt')[
    0]} for s in strings]
padded = tokenizer.pad(input_ids, padding='longest')
outputs = model.generate(**padded, max_length = 100)
tokenizer.batch_decode([[i for i in o if i not in all_special_ids] for o in outputs])

Output,

[' Saya tidak faham',
 ' Hi guys! Saya perasan semalam dan hari ini ramai yang menerima cookies. Jadi hari ini saya ingin berkongsi beberapa post mortem batch pertama kami:',
 ' Memanglah. Tak perlu pakar, saya juga tahu. Ini adalah satu isyarat, bodoh.',
 ' Orang ramai di pasar KK pada jam 8 pagi, mereka sangat pandai memilih tempat.',
 ' Jadi haram jadah 😀😃🤭',
 ' Di mana kamu pergi?',
 ' Saya ingin mengambil separuh hari',
 ' Bayangkan PH dan menang PRU-14. Terdapat pelbagai pintu belakang. Akhirnya, Ismail Sabri naik. Itulah sebabnya saya tidak lagi bercakap tentang politik. Saya bersumpah sudah berputus asa.']

Input text can be any languages that speak in Malaysia, as long you use proper prefix, it should be able to translate to target language.