Seq2Seq Machine Translation Model Kannada to English

SEQ2SEQ-MACHINE-TRANSLATION-MODEL-KANNADA-TO-ANGLAIS

Développez l'API REST pour effectuer une traduction machine à l'aide du modèle SEQ2SEQ. Le déploiement du modèle est effectué à l'aide de Google pourrait plateforme.

Kannada-to-anglais-translateur

TABLE DES MATIÈRES

• Objectif
• Technologies
• Algorithmes
• Données
• Mise en œuvre
• Résultats

OBJECTIF

1. Construit une API REST pour convertir les phrases kannada en anglais en utilisant Gru et Pytorch.
2. Déployez le modèle sur Google Cloud Platform

Technologies

Le projet est créé avec:

• Python - Pandas, Pytorch, Numpy, Seaborn, Sklearn, Pickle
• Google Cloud Platform - Fonctions cloud
• Ballon

Algorithmes

• Autoencoder - décodeur
• Unité récurrente fermée (GRU)
• Mécanisme d'attention
• Get - Post Méthodologie

DONNÉES

Les données de ce projet sont disponibles en tant que fichier texte sur la source de données, où chaque ligne a une phrase en kannada et une traduction de l'informatique en anglais avec Space Demiter. Nous avons vérifié manuellement au hasard pour nous assurer que chaque exemple avait un sens.

MISE EN ŒUVRE

Modélisation

Nous construisons d'abord le modèle de décodeur d'encodeur, avec un mécanisme d'attention utilisant GRU RNN. La formation a été effectuée en utilisant le script Python disponible ici

Développement d'applications

Créez une application Flask qui peut être accès à partir de la machine locale à l'adresse http://127.0.0.1:5000/predict.

Déploiement

• Nous utiliserons le script pour former le modèle. Après avoir entraîné le modèle, nous économiserons les poids du modèle dans un fichier .pt et stockerons dans Google Cloud Storage. Nous construisons également le dictionnaire de vocabulaire en indexant chaque mot à un nombre et en les corrigeant. Ces fichiers de cornichon sont également stockés dans le fichier de stockage. Vous pouvez y accéder une fois ces fichiers en place, le déploiement peut être effectué en suivant les étapes ci-dessous

• Nous téléchargerons les fichiers sur un seau de stockage. Pour créer un seau en utilisant les options suivantes comme mis en évidence avec les spécifications suivantes

• Utilisez les options en surbrillance pour télécharger les fichiers .pt et .pkl et pour configurer les autorisations. Ici, nous définissons les fichiers sur l'accès public, mais vous pouvez le définir sur vos besoins.

• Maintenant, nous utilisons la capacité des fonctions cloud pour déployer le code le code de l'API FLASK et accéder au dictionnaire de poids et de vocabulaire à partir du stockage.

Pour créer la fonction Cloud, parcourez-le sur la plate-forme GCP et utilisez les options mises en évidence pour créer une fonction,

* L'allocation de 1 mémoire GIB est recommandée. Une fois défini, cliquez sur «Suivant» et déployez le code sur la console de la fonction cloud.

Pour déployer le code, configurez d'abord la console avec les paramètres en surbrillance ci-dessous et préparez l'environnement à l'aide du fichier d'exigences (cela équivaut à PIP Install {Library}) comme décrit ci-dessous,

• Une fois l'exigence définie avec les bibliothèques ci-dessus, préparez le script Main.py pour le déploiement. Le script a la fonction api_request (x) définie pour renvoyer la sortie souhaitée étant donné l'entrée - 'x', à partir d'une source externe. Le code est téléchargé ci-dessus avec le nom «main.py». Une fois le code organisé, cliquez sur Déploier.

• Une fois le déploiement terminé, cliquez sur la fonction cloud, en utilisant l'option de test pour déboguer pour les erreurs de déploiement. Une fois l'entrée passée dans le format ci-dessous, testez la fonction et recherchez la sortie souhaitée.

RÉSULTATS

Le modèle déployé est accessible à partir de l'URL à partir de n'importe quel système pour traduire les phrases de Kannada en anglais.

Références

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