Seq2Seq Machine Translation Model Kannada to English

seq2seq-machine-translation-model-kannada-to-english

REST APIを開発して、SEQ2SEQモデルを使用して機械翻訳を実行します。モデルの展開は、Google Canプラットフォームを使用して行われます。

カンナダから英語への翻訳者

目次

• 客観的
• テクノロジー
• アルゴリズム
• データ
• 実装
• 結果

客観的

1. GruとPytorchを使用してKannada文を英語に変換するために、REST APIを構築しました。
2. Google Cloudプラットフォームにモデルを展開します

テクノロジー

プロジェクトは次のように作成されます：

• Python -Pandas 、Pytorch、Numpy、Seaborn、Sklearn、Pickle
• Googleクラウドプラットフォーム -クラウド機能
• フラスコ

アルゴリズム

• 自動エンコーダー - デコーダー
• ゲート再発ユニット（GRU）
• 注意メカニズム
• 取得 - 方法論を投稿します

データ

このプロジェクトのデータは、データソースのテキストファイルとして入手できます。各行には、カンナダに文があり、スペースデリミタを使用して英語で翻訳します。ランダムにランダムに検証して、各例が理にかなっていることを確認しました。

実装

モデリング

最初に、Gru RNNを使用した注意メカニズムを使用して、エンコーダデコーダーモデルを構築します。トレーニングは、ここで入手可能なPythonスクリプトを使用して行われました

アプリ開発

アドレスhttp://127.0.0.1:5000/predictでローカルマシンからアクセスできるフラスコアプリケーションを構築します。

展開

• スクリプトを使用してモデルをトレーニングします。モデルをトレーニングした後、モデルの重みを.ptファイルに保存し、Googleクラウドストレージに保存します。また、各単語を数字にインデックス化して漬けて、語彙辞書を構築します。これらのピクルスファイルは、ストレージファイルにも保存されます。これらのファイルが設置されたら、ここにアクセスできます。以下の手順に従って展開を実行できます

• ストレージバケットにファイルをアップロードします。次の仕様で強調表示されているように、次のオプションを使用してバケツを作成するには

• 強調表示されたオプションを使用して、.ptおよび.pklファイルをアップロードし、権限を構成します。ここでは、ファイルをパブリックアクセスに設定しますが、要件に合わせて設定できます。

• ここで、クラウド関数機能を使用して、フラスコAPIのコードをコードに展開し、ストレージから重みと語彙辞書にアクセスします。

クラウド関数を作成するには、GCPプラットフォームでそれを参照し、以下に強調表示されているオプションを使用して関数を作成します。

*1つのGIBメモリの割り当てをお勧めします。設定したら、[次へ]をクリックして、クラウド関数コンソールにコードを展開します。

コードを展開するには、まず以下の強調表示された設定でコンソールを構成し、要件ファイルを使用して環境を準備します（これは以下に説明するPIPインストールに相当します）、

• 上記のライブラリで要件が設定されたら、展開用のmain.pyスクリプトを準備します。スクリプトには、外部ソースから入力（「X」」を与えられた目的の出力を返すために定義されるAPI_REQUEST（x）関数があります。コードは上記の名前「main.py」でアップロードされます。コードが配置されたら、展開をクリックします。

• 展開が完了したら、テストオプションを使用して展開エラーをデバッグします。入力が以下の形式で渡されたら、関数をテストし、目的の出力を探します。

結果

展開されたモデルには、任意のシステムからURLからアクセスして、カンナダ文を英語に変換できます。

参照

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