Seq2Seq Machine Translation Model Kannada to English

SEQ2SEQ-Machine-Translation-Model-Kannada-zu-English

Entwickeln Sie die REST -API, um die maschinelle Übersetzung mit dem SEQ2SEQ -Modell durchzuführen. Die Modellbereitstellung erfolgt über die Plattform von Google, die Plattform hat.

Kannada-zu-englisch-translator

INHALTSVERZEICHNIS

• Objektiv
• Technologien
• Algorithmen
• Daten
• Durchführung
• Ergebnisse

OBJEKTIV

1. Baute eine REST -API, um Kannada -Sätze mit Gru und Pytorch in Englisch umzuwandeln.
2. Stellen Sie das Modell auf der Google Cloud -Plattform ein

Technologien

Projekt wird erstellt mit:

• Python - Pandas, Pytorch, Numpy, Seeborn, Sklearn, Gurke
• Google Cloud -Plattform - Cloud -Funktionen
• Flasche

Algorithmen

• AUTOCODER - Decoder
• Wiederkehrende Einheit (Gated Recurrent Unit)
• Aufmerksamkeitsmechanismus
• Get - Post -Methodik

DATEN

Die Daten für dieses Projekt sind als Textdatei auf der Datenquelle verfügbar, wobei jede Zeile einen Satz in Kannada und die Übersetzung davon auf Englisch mit Platzgrenzwert hat. Wir haben manuell zufällig verifiziert, um sicherzustellen, dass jedes Beispiel Sinn ergab.

DURCHFÜHRUNG

Modellieren

Zuerst erstellen wir das Encoder -Decoder -Modell mit Aufmerksamkeitsmechanismus unter Verwendung von Gru Rnn. Das Training wurde mit dem hier verfügbaren Python -Skript durchgeführt

App -Entwicklung

Erstellen Sie eine Flask -Anwendung, die vom lokalen Computer unter der Adresse http://127.0.0.1:5000/Predict zugreifen kann.

Einsatz

• Wir werden das Skript verwenden, um das Modell zu trainieren. Nach dem Training des Modells speichern wir die Modellgewichte in einer .PT -Datei und speichern im Google Cloud -Speicher. Wir bauen auch das Vokabular -Wörterbuch auf, indem wir jedes Wort zu einer Nummer indexieren und sie einweichen. Diese Pickle -Dateien werden auch in der Speicherdatei gespeichert. Sobald diese Dateien vorhanden sind, können Sie darauf zugreifen

• Wir werden die Dateien auf einem Speicherkorb hochladen. So erstellen Sie einen Eimer mit den folgenden Optionen, die mit den folgenden Spezifikationen hervorgehoben werden

• Verwenden Sie die hervorgehobenen Optionen, um die .PT- und .pKL -Dateien hochzuladen und Berechtigungen zu konfigurieren. Hier setzen wir die Dateien auf den öffentlichen Zugriff. Sie können sie jedoch auf Ihre Anforderungen einstellen.

• Jetzt verwenden wir die Cloud -Funktionsfunktion, um den Code den Code für die Flask -API bereitzustellen und auf das Gewicht und das Vokabular -Wörterbuch aus dem Speicher zuzugreifen.

Um die Cloud -Funktion zu erstellen, durchsuchen Sie sie auf der GCP -Plattform und verwenden Sie die unten hervorgehobenen Optionen, um eine Funktion zu erstellen.

*Die Zuweisung von 1 GIB -Speicher wird empfohlen. Klicken Sie nach der Einstellung auf "Weiter" und stellen Sie den Code in der Cloud -Funktionskonsole bereit.

Konfigurieren Sie zum Bereitstellen des Code

• Sobald die Voraussetzung mit den oben genannten Bibliotheken festgelegt ist, bereiten Sie das main.py -Skript für die Bereitstellung vor. Das Skript hat die Funktion api_request (x) für die Rückgabe der gewünschten Ausgabe bei der Eingabe - 'x' von einer externen Quelle. Der Code wird oben mit dem Namen "main.py" hochgeladen. Sobald der Code angeordnet ist, klicken Sie auf die Bereitstellung.

• Wenn die Bereitstellung abgeschlossen ist, klicken Sie auf die Cloud -Funktion und verwenden Sie die Testoption zum Debuggen für Bereitstellungsfehler. Sobald der Eingang im folgenden Format übergeben ist, testen Sie die Funktion und suchen Sie nach der gewünschten Ausgabe.

Ergebnisse

Auf das bereitgestellte Modell kann von der URL von jedem System zugegriffen werden, um Kannada -Sätze in Englisch zu übersetzen.

Referenzen

• https://pytorch.org/tutorials/intermediate/seq2seq_translation_tutorial.html
• https://pytorch.org/tutorials/Begglner/saving_loading_models.html