|
--- |
|
license: mit |
|
language: |
|
- gl |
|
metrics: |
|
- bleu (Gold1): 82.6 |
|
- bleu (Gold2): 49.9 |
|
- bleu (Flores): 23.8 |
|
- bleu (Test-suite): 77.2 |
|
--- |
|
license: mit |
|
--- |
|
|
|
**English text [here](https://huggingface.co/proxectonos/Nos_MT-OpenNMT-gl-es/blob/main/README_English.md)** |
|
|
|
**Descrición do Modelo** |
|
|
|
Modelo feito con OpenNMT para o par galego-inglés utilizando unha arquitectura transformer. |
|
|
|
**Como traducir** |
|
|
|
+ Abrir terminal bash |
|
+ Instalar [Python 3.9](https://www.python.org/downloads/release/python-390/) |
|
+ Instalar [Open NMT toolkit v.2.2](https://github.com/OpenNMT/OpenNMT-py) |
|
+ Traducir un input_text utilizando o modelo NOS-MT-gl-es co seguinte comando: |
|
|
|
```bash |
|
onmt_translate -src input_text -model NOS-MT-gl-es.pt --output ./output_file.txt --replace_unk -gpu 0 |
|
``` |
|
+ O resultado da tradución estará no PATH indicado no flag -output. |
|
|
|
**Adestramento** |
|
|
|
No adestramento, utilizamos corpora auténticos e sintéticos do [ProxectoNós](https://github.com/proxectonos/corpora). Os primeiros son corpora de traducións feitas directamente por tradutores humanos. Os segundos son corpora de traducións inglés-portugués, que convertemos en inglés-galego a través da tradución automática portugués-galego con Opentrad/Apertium e transliteración para palabras fóra de vocabulario. |
|
|
|
|
|
**Procedemento de adestramento / Training process** |
|
|
|
+ Tokenización dos datasets feita co tokenizador (tokenizer.pl) de [linguakit](https://github.com/citiususc/Linguakit) que foi modificado para evitar o salto de liña por token do ficheiro orixinal. |
|
|
|
+ O vocabulario BPE para os modelos foi xerado a través do script [learn_bpe.py](https://github.com/OpenNMT/OpenNMT-py/blob/master/tools/learn_bpe.py) da OpenNMT |
|
|
|
+ Utilizando o .yaml deste repositorio pode replicar o proceso de adestramento. É preciso modificar os paths do ficheiro .yaml para a Open NMT saber onde ir buscar os textos. Após facer isto, pode do seguinte xeito comezar o proceso: |
|
|
|
```bash |
|
onmt_build_vocab -config bpe-gl-es_emb.yaml -n_sample 100000 |
|
onmt_train -config bpe-gl-es_emb.yaml |
|
``` |
|
|
|
**Hiperparámetros** |
|
|
|
Os parámetros usados para o desenvolvemento do modelo poden ser consultados directamente no mesmo ficheiro .yaml bpe-gl-es_emb.yaml |
|
|
|
**Avaliación** |
|
|
|
A avalación BLEU dos modelos é feita cunha mistura de tests desenvolvidos internamente (gold1, gold2, test-suite) con outros datasets disponíbeis en galego (Flores). |
|
|
|
| GOLD 1 | GOLD 2 | FLORES | TEST-SUITE| |
|
| ------------- |:-------------:| -------:|----------:| |
|
| 82.6 | 49.9 | 23.8 | 77.2 | |
|
|
|
|
|
|
|
**Licenzas do Modelo** |
|
|
|
MIT License |
|
|
|
Copyright (c) 2023 Proxecto Nós |
|
|
|
Permission is hereby granted, free of charge, to any person obtaining a copy |
|
of this software and associated documentation files (the "Software"), to deal |
|
in the Software without restriction, including without limitation the rights |
|
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell |
|
copies of the Software, and to permit persons to whom the Software is |
|
furnished to do so, subject to the following conditions: |
|
|
|
The above copyright notice and this permission notice shall be included in all |
|
copies or substantial portions of the Software. |
|
|
|
THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR |
|
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, |
|
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE |
|
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER |
|
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, |
|
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE |
|
SOFTWARE. |
|
|
|
**Financiamento** |
|
|
|
Esta investigación foi financiada polo proxecto "Nós: o galego na sociedade e economía da intelixencia artificial", resultado dun acordo entre a Xunta de Galicia e a Universidade de Santiago de Compostela, o que resultou no subsidio ED431G2019/04 da Consellaría de Educación, Universidade e Formación Profesional da Galiza, e polo Fondo Europeo de Desenvolvemento Rexional (programa ERDF/FEDER), e Grupos de Referencia: ED431C 2020/21. |
|
|
|
|
|
**Citar este traballo** |
|
|
|
Se utilizar este modelo no seu traballo, cite por favor así: |
|
|
|
Gamallo, Pablo; Bardanca, Daniel; Pichel, José Ramom; García, Marcos; Rodríguez-Rey, Sandra; de-Dios-Flores, Iria. 2023. |
|
NOS-MT-OpenNMT-gl-es. Url: https://huggingface.co/proxectonos/NOS-MT-OpenNMT-gl-es |
|
|
|
|
|
|
|
|
