登录社区云，与社区用户共同成长
邀请您加入社区
这里由于服务器计算能力有限，按照以下配置可以进行训练，但效果可能不佳。如果想看到训练效果，请使用你自己的带GPU的电脑运行这套代码。当使用自己的GPU时，NUM_ENCODER_LAYERS和NUM_DECODER_LAYERS设置为3或者更高，NHEAD设置为8，EMB_SIZE设置为512。# 定义模型和训练参数SRC_VOCAB_SIZE = len(ja_vocab) # 源语言词汇表大小
提供了本节使用代码(1)对比RNN:①对于卷积神经网络来说，受限于长文本。如果要对长距离依赖进行描述，需要多层卷积操作，而且不同层之间信息传递也可能有损失，这些都限制了模型的能力。②对于循环神经网络来说，随着序列长度的增加，编码在隐藏状态中的序列早期的上下文信息被逐渐遗忘。尽管注意力机制的引入在一定程度上缓解了这个问题，但循环网络在编码效率方面仍存在很大的不足之处。(2)引入Transformer
基于seq2seq的机器翻译系统
基于循环或卷积神经网络的序列到序列建模方法是现存机器翻译任务中的经典方法。然而，它们在建模文本长程依赖方面都存在一定的局限性。对于卷积神经网络来说，受限的上下文窗口在建模长文本方面天然地存在不足。如果要对长距离依赖进行描述，需要多层卷积操作，而且不同层之间信息传递也可能有损失，这些都限制了模型的能力。而对于循环神经网络来说，上下文的语义依赖是通过维护循环单元中的隐状态实现的。在编码过程中，每一个时
前言上次发了一篇用seq2seq with attention做机器翻译的博客，今天我们试试Transformer。这篇文章主要介绍Transformer模型的搭建和训练，数据集仍然是上次的博客中使用的数据集。没看过那篇博客的可以先看看构建它数据集的部分再回来看这篇文章。搭建模型重点分析先看看这张经久不衰的Transformer架构图实现Transformer有几个重点Transformer中的三
注意力机制——transformer模型代码解析1：transformer图解分析（论文）1.1：论文中的模型图1.2：分模块解释1.2.1：单词、位置编码模块1.2.2：Encoder模块1.2.3：Decoder模块1.2.4：输出全连接层2：transformer代码分析2.1：模型代码分析2.1.1：Embedding（单词、位置编码）2.1.2：Multi-Head-Attention（
RMSNorm：给数据 “定规矩”，让模型训练更稳定，计算更快；SwiGLU：带 “智能开关”，让模型更灵活地抓重点，学习复杂语言模式；RoPE：用 “旋转魔法” 给词加位置标签，让模型更懂词的顺序和相对关系。看例子（数据处理）：把文本拆成字符，建立字符和数字的对应。练基础（模型搭建）：用 Transformer 和 LLaMA 的核心技术，让模型能理解字符的关系和位置。反复练（训练）：通过预测下
本文讨论了大型语言模型（LLM）的微调，这是一种通过少量数据训练已经预训练好的模型以执行特定任务的过程。微调可以让LLM在翻译、文本分类、文本生成等领域更加高效。本文还提供了微调的实践示例和代码，帮助读者理解并应用微调过程。
人工智能技术对比表
在自然语言处理领域，机器翻译是一个具有挑战性的任务，涉及将一种语言的文本翻译成另一种语言，同时保持语义和语法的准确性。TER衡量了模型生成的翻译与参考翻译之间的编辑距离，即通过删除、插入、替换等操作将一个翻译转换为另一个的最小编辑次数。在这个例子中，模型生成的翻译中有一些词汇次序不同，降低了BLEU分数。BLEU是一种常用的机器翻译评估指标，通过比较生成的翻译和参考翻译之间的匹配程度来计算分数。C
【预训练语言模型】MT-DNN: Multi-Task Deep Neural Networks for Natural Language Understanding 预训练语言模型在下游任务微调时如果可以获得更丰富的训练任务，则提高让预训练语言模型的泛化能力，本文则通过添加多任务训练实现泛化性能的提升。核心要点包括：将NLP划分为四种类型的任务；在BERT预训练的基础上，添加若干多任务的参数，
💎【技术布道者】集华为云天团核心成员与多平台顶级博主身份于一身，横跨鸿蒙、云计算、AI等前沿领域，荣获华为云十佳博主、CSDN年度博客之星等十余项行业殊荣。 🚀【前沿洞察】机器翻译迎来革命性突破：从Transformer架构到GPT-4多模态进化，预训练大语言模型推动NLP跨越式发展。BERT开创的无监督学习范式使机器翻译突破平行语料限制，知识图谱增强语义理解，多模态大模型正在重构人机交互方式
机器翻译已经悄悄成熟，它的表现令人意外而惊艳。
AiNiee开源程序是一款专注于Ai翻译的工具，一键自动翻译RPG SLG游戏，Epub TXT小说，Srt Vtt Lrc字幕，Word MD文档等等复杂长文本
机器翻译迎来统计时代新纪元。IBM贾里尼克团队开创统计语音识别先河，其方法论深刻影响自然语言处理领域，推动翻译技术从依赖语言学家编纂复杂规则的传统模式，转向基于平行语料库的概率统计方法。统计翻译通过海量双语数据匹配实现高效转换，虽需大规模语料支撑，但在互联网时代迅速崛起成为主流。这种数据驱动范式既规避了规则系统的繁琐维护，又暗合早期机器翻译理论构想，标志着自然语言处理进入以统计学习为核心的新阶段。
腾讯混元翻译模型Hunyuan-MT-Chimera-7B于2025年9月1日正式开放体验，采用创新集成模式，能综合多个翻译模型结果生成更优译文。该模型原生支持Hunyuan-MT-7B，并可接入deepseek等模型，显著提升翻译质量。开源后迅速登上HuggingFace趋势榜首，获开发者广泛关注。目前已在QQ浏览器视频AI字幕等内部业务中应用，支持33种语种互译。腾讯希望通过该技术消除语言障碍
在我们之前的文章中我们已经了解了两种预检索的优化策略。比如怎么“翻译”用户那七零八落的问题，还有怎么做一个聪明的“导航员”，把问题带到正确的数据源。
【150字摘要】 机器翻译的核心挑战在于自然语言理解(NLU)的复杂性。早期基于规则的方法因语言系统的无限变化性而受挫，覆盖50%真实语句需数万条不断更新的规则，计算复杂度呈指数级增长。图灵奖得主高德纳指出，上下文相关文法的解析耗时随语句长度激增，导致实际应用不可行。尽管受限领域仍可使用规则方法，但统计机器翻译逐渐成为新方向。该困境揭示了语言作为动态系统的本质特征，也推动了AI处理自然语言的范式转
《机器翻译：从军事梦想到AI明星技术》摘要 机器翻译技术历经70余年发展，从军事需求催生的实验室构想成长为AI领域的核心应用。1949年Warren Weaver提出机器翻译概念后，美苏冷战推动首套俄英翻译系统问世。1966年ALPAC报告的否定使研究陷入低谷，直至21世纪算力提升和深度学习突破才迎来复兴。如今机器翻译已覆盖语音、文本等多模态场景，核心技术聚焦自然语言理解，成为打破语言壁垒的&qu
这篇ICLR 2015论文开创性地提出注意力机制，突破传统Seq2Seq模型的信息瓶颈问题。作者通过双向RNN编码和动态注意力权重计算，使解码器能自适应聚焦源语句的关键部分，显著提升长句翻译质量。实验显示模型能自主学习词对齐关系，且性能不受句子长度限制。该工作不仅奠定神经机器翻译基础，其Query-Key-Value思想更为Transformer架构埋下伏笔，最终推动整个NLP领域进入注意力时代。
2025年9月1日，腾讯混元开源翻译模型Hunyuan-MT-7B。这个模型的总参数量为7B，支持33个语种、5种民汉语言/方言互译，属于轻量型翻译模型。
前段时间在做视频语音识别生成多语种字幕时，使用了百度翻译通用翻译api进行翻译。百度翻译平台经过个人认证之后，每月有200万字符的免费翻译额度。还是比较舒服的。百度翻译开放平台是百度翻译面向广大开发者提供开放服务的平台。服务涵盖：通用翻译API、定制化翻译API、语音翻译SDK、拍照翻译SDK等。百度翻译平台地址百度通用翻译API支持28种语言实时互译，覆盖中、英、日、韩、西、法、泰、阿、俄、葡、
想起我在济南合作的翻译公司，专注在电力领域一扎就是30年，手上的客户不是国网、南网、法国电力等等电力产业巨头，也要沉淀多年才敢拿出自己储备已久的过往达到出版物级别的翻译文件作为语料，耗时数年才基于东北大学的机器翻译模型，开发出一款成熟的机电领域的机器翻译。因为我入群的时候也仅仅是看了看简历，没有人对我进行测试。今天接到一个数据公司的电话，目的是问问我能不能做兼职的数据标记，或者如果有更充足的经历也
点赞的人越来越帅！
1.背景介绍1. 背景介绍自然语言处理(NLP)是计算机科学和人工智能领域的一个分支，旨在让计算机理解、生成和处理人类自然语言。在NLP中，语言生成和机器翻译是两个重要的应用领域。语言生成旨在让计算机生成自然语言文本，而机器翻译则旨在让计算机将一种自然语言翻译成另一种自然语言。在过去的几十年中，语言生成和机器翻译技术发展了很长的道路。早期的方法通常基于规则和词汇表，但这些方法的灵活性有...
可用切换到电脑Administrator用户再进行这个操作，每个电脑都会有这个账户，建议您百度一下如何切换，非常简单。请将软件放置到非中文的目录，另外我们还建议电脑用户名是英文。运行后，等待一会（如果等待过久 黑框按回车键），一会出现下图界面！模型文件.rar 解压后放在上面解压的 目录下，如截图。上传后，就可以选择它，让它成为被克隆声音的对象啦。点击选择自己的wav音频文件上传，然后点击合成。激
1.背景介绍自然语言处理(NLP)是计算机科学和人工智能领域的一个重要分支，旨在让计算机理解、生成和处理人类自然语言。在这篇文章中，我们将关注自然语言处理中的两个重要应用：机器翻译和文本摘要。1. 背景介绍自然语言处理的一个主要应用是机器翻译，即让计算机自动将一种自然语言翻译成另一种自然语言。这个领域的研究可以追溯到1950年代，当时的翻译系统主要基于规则和字典。随着计算机技术的发展，...
汉维语音翻译，首先下载字体文件https://www.iconfont.cn/home/index?spm=a313x.7781069.1998910419.2，并把文件放到 维语翻译的static 文件夹下这里要注意uniapp中使用unicode编码是以 \u开头，在使用时 把**&#x** 替换成 \u，使用 \ue613;在pages.json文件中使用在pages.json文件中
1.背景介绍自然语言处理(NLP)是人工智能领域的一个重要分支，其主要目标是让计算机理解、生成和处理人类语言。在过去的几年里，NLP 技术取得了显著的进展，尤其是在机器翻译和多模态处理方面。这两个领域的发展对于全球化和人工智能的推进具有重要意义。机器翻译是将一种自然语言从一种到另一种自动转换的过程。它的主要应用场景包括新闻报道、文学作品、会议记录等。随着深度学习和神经网络技术的发展，机器翻...
「Hunyuan-MT-7B：翻译模型 Demo」现已上线 HyperAI超神经官网（hyper.ai）的「教程」板块，快来挑战冠军级翻译的水平吧！
现在市场上有很多翻译的api，如腾讯翻译,百度翻译,阿里翻译,火山翻译等等，找到一个各个厂商申请的教程，推荐给大家。
1.背景介绍自然语言处理(NLP)和机器翻译是人工智能领域的重要研究方向，它们涉及到自然语言的理解、生成和翻译等任务。在大数据时代，流式计算成为了处理大规模数据的重要技术。Apache Flink是一个流处理框架，它可以处理大规模的流式数据，并提供了丰富的API来实现各种流式计算任务。在本文中，我们将讨论Flink在自然语言处理和机器翻译领域的应用，并探讨其优势和挑战。1. 背景介绍自...
1.背景介绍自然语言处理(NLP)和机器翻译是人工智能领域的重要应用领域之一。在过去的几年里，神经网络技术在这两个领域取得了显著的进展。本文将从以下几个方面进行探讨：背景介绍核心概念与联系核心算法原理和具体操作步骤以及数学模型公式详细讲解具体最佳实践：代码实例和详细解释说明实际应用场景工具和资源推荐总结：未来发展趋势与挑战附录：常见问题与解答1. 背景介绍自然语言...
1.背景介绍自然语言处理(NLP)是计算机科学的一个分支，旨在让计算机理解、生成和处理人类语言。在这篇文章中，我们将深入探讨自然语言处理的两个重要应用领域：文本分类和机器翻译。1. 背景介绍自然语言处理的目标是让计算机理解和处理人类语言，从而实现与人类的沟通。自然语言处理可以分为两个主要领域：语言理解和语言生成。文本分类和机器翻译分别属于语言理解和语言生成的应用领域。1.1 文本分...
机器翻译
——机器翻译
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
魔乐社区
北京朝阳AI社区
讯飞AI开发者社区
2048 AI社区
