Seq2Seq Machine Translation Model Kannada to English

Seq2seq-Machine-Translation-Model-Kannada-to-English

Kembangkan REST API untuk melakukan terjemahan mesin menggunakan model SEQ2SEQ. Penyebaran model dilakukan dengan menggunakan platform Google Can.

Kannada-to-English-Translator

DAFTAR ISI

• Tujuan
• Teknologi
• Algoritma
• Data
• Pelaksanaan
• Hasil

TUJUAN

1. Membangun API REST untuk mengubah kalimat Kannada menjadi bahasa Inggris menggunakan Gru dan Pytorch.
2. Menerapkan model di Google Cloud Platform

Teknologi

Proyek dibuat dengan:

• Python - Panda, Pytorch, Numpy, Seaborn, Sklearn, Pickle
• Google Cloud Platform - Fungsi Cloud
• Labu

Algoritma

• Autoencoder - Decoder
• Gated Recurrent Unit (GRU)
• Mekanisme perhatian
• Dapatkan - Posting Metodologi

DATA

Data untuk proyek ini tersedia sebagai file teks pada sumber data, di mana setiap baris memiliki kalimat di Kannada dan terjemahannya dalam bahasa Inggris dengan pembatas ruang. Kami secara manual memverifikasi secara acak untuk memastikan bahwa setiap contoh masuk akal.

PELAKSANAAN

Pemodelan

Pertama, kami membangun model dekoder encoder, dengan mekanisme perhatian menggunakan Gru RNN. Pelatihan dilakukan dengan menggunakan skrip Python yang tersedia di sini

Pengembangan aplikasi

Bangun aplikasi Flask yang dapat diakses dari mesin lokal di alamat http://127.0.0.1:5000/predict.

Penyebaran

• Kami akan menggunakan skrip untuk melatih model. Setelah melatih model, kami akan menyimpan bobot model dalam file .PT dan menyimpan di Google Cloud Storage. Kami juga membangun kamus kosa kata dengan mengindeks setiap kata ke angka dan acar. File acar ini juga disimpan dalam file penyimpanan. Anda dapat mengaksesnya di sini setelah file -file ini ada, penyebaran dapat dilakukan mengikuti langkah -langkah di bawah ini

• Kami akan mengunggah file pada ember penyimpanan. Untuk membuat ember menggunakan opsi berikut seperti yang disorot dengan spesifikasi berikut

• Gunakan opsi yang disorot untuk mengunggah file .pt dan .pkl dan untuk mengonfigurasi izin. Di sini kami mengatur file ke akses publik, namun Anda dapat mengaturnya sesuai kebutuhan Anda.

• Sekarang kami menggunakan kemampuan fungsi cloud untuk menggunakan kode kode untuk Flask API dan mengakses bobot dan kamus kosa kata dari penyimpanan.

Untuk membuat fungsi cloud, telusuri untuk itu di platform GCP dan gunakan opsi yang disorot untuk membuat fungsi,

*Alokasi 1 GIB memori direkomendasikan. Setelah diatur, klik 'Next' dan sebarkan kode pada konsol fungsi cloud.

Untuk menggunakan kode, pertama -tama konfigurasikan konsol dengan pengaturan yang disorot di bawah ini dan persiapkan lingkungan menggunakan file persyaratan (ini setara dengan PIP menginstal {library}) seperti yang dijelaskan di bawah ini,

• Setelah persyaratan diatur dengan pustaka di atas, siapkan skrip Main.py untuk penempatan. Skrip memiliki fungsi API_Request (x) yang ditentukan untuk mengembalikan output yang diinginkan mengingat input - 'x', dari sumber eksternal. Kode diunggah di atas dengan nama "Main.py". Setelah kode diatur klik pada Deploy.

• Setelah penyebaran selesai, klik pada fungsi cloud, menggunakan opsi pengujian untuk men -debug kesalahan penempatan. Setelah input dilewatkan dalam format di bawah ini, uji fungsi, dan cari output yang diinginkan.

Hasil

Model yang digunakan dapat diakses dari URL dari sistem apa pun untuk menerjemahkan kalimat Kannada ke bahasa Inggris.

Referensi

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