MT

基于注意力机制的机器翻译模型

计算图

该模型主要用到了seq2seq和注意力机制，编码器与解码器用的单元都是GRU。

求注意力参数的公式(EO表示编码器的输出，H表示编码器最终输出的隐藏层；FC表示一个全连接层）：

• score = FC(tanh(FC(EO) + FC(H)))
• attention weights = softmax(score, axis = 1)
• context vector = sum(attention weights * EO, axis = 1)

训练数据

• 来源： http://www.manythings.org/anki/
• 训练数据由两万多个成对的语句组成，如：I love you. 我爱你。

训练模型

#在目录MT下，先新建一个文件夹training_checkpoints，用于保存检查点，然后在命令行中依次运行下面语句
from model import Model
model = Model()
# 加载数据，默认参数：path='./dataset/mt_en2ch.txt'， num_examples = 20000, batch_size=64
model.load_data()
#训练,默认EPOCHS = 10
model.train()

训练过程如下：

使用训练后的模型将中文翻译成英文

#在目录MT下，在命令行中依次运行下面语句
from model import Model
model = Model()
model.load_data()
sentence = input("请输入要翻译的中文句子：")
model.translate(sentence)

可以看出短的句子还可以，但稍长一些的效果不太好，一方面是由于训练数据量的限制，另一方面进行训练的迭代次数只进行了20次，以及模型还可以做许多改进，比如将训练的句子倒置，然后“喂给”模型等等。

保存模型

1. 模型在训练中，每隔2epochs，会将训练数据保存在/MT/training_checkpoints目录下，下次训练模型会先判断是否有已经训练的数据，如果有会接着上次继续训练，从而提高训练效率，如果没有，则会从零开始训练。
2. 这是我训练后的模型：https://pan.baidu.com/s/1TngW_BDjkFH9rBW5jrCikg 下载后在/MT下新建training_checkpoints目录，将下载的文件放在training_checkpoints目录下，即可直接用来训练或翻译