Seq2Seq Machine Translation Model Kannada to English

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

開發REST API使用SEQ2SEQ模型執行機器翻譯。模型部署是使用Google可以平台完成的。

Kannada-To-English-Translator

目錄

• 客觀的
• 技術
• 演算法
• 數據
• 執行
• 結果

客觀的

1. 使用Gru和Pytorch構建了REST API，將Kannada句子轉換為英語。
2. 在Google雲平台上部署該模型

技術

項目是由以下方式創建的

• Python-熊貓，pytorch，numpy，seaborn，sklearn，泡菜
• Google雲平台 -雲功能
• 燒瓶

演算法

• 自動編碼器 - 解碼器
• 封閉的複發單元（GRU）
• 注意機制
• 獲取 - 郵政方法論

數據

該項目的數據可作為數據源上的文本文件獲得，其中每行在卡納達語中都有一個句子，並用太空定界符的英語翻譯。我們手動驗證隨機驗證，以確保每個示例都是有道理的。

執行

造型

首先，我們使用GRU RNN構建了通過注意機制來構建編碼器解碼器模型。培訓是使用Python腳本進行的

應用程序開發

構建一個燒瓶應用程序，可以從地址上的本地計算機訪問http://127.0.0.1：5000/predict。

部署

• 我們將使用腳本來訓練模型。訓練模型後，我們將將模型權重保存在.pt文件中，並存儲在Google Cloud Storage中。我們還通過將每個單詞索引到一個數字並醃製來構建詞彙詞典。這些醃製文件也存儲在存儲文件中。您可以在這些文件到位後在此處訪問它們，可以按照以下步驟進行部署

• 我們將將文件上傳到存儲存儲桶上。使用以下選項突出顯示以下規格創建一個存儲桶

• 使用突出顯示的選項上傳.pt和.pkl文件並配置權限。在這裡，我們將文件設置為公共訪問權限，但是您可以將其設置為您的要求。

• 現在，我們使用雲功能功能來部署燒瓶API的代碼，並從存儲中訪問權重和詞彙字典。

要創建雲功能，請在GCP平台上瀏覽它，並使用突出顯示的選項創建一個函數，

*建議分配1 GIB內存。設置後，單擊“下一步”，然後在雲功能控制台上部署代碼。

要部署代碼，請首先使用以下突出顯示的設置配置控制台，並使用要求文件（這等同於PIP install {library}）準備環境，如下所述，

• 一旦使用上述庫設置了要求，請準備Main.py腳本以進行部署。該腳本的API_REQUEST（X）函數定義用於從外部源返回輸入的所需輸出。該代碼在上面上傳，名稱為“ main.py”。安排代碼後，單擊部署。

• 部署完成後，使用測試選項單擊雲功能，以調試用於部署錯誤。輸入以下面的格式傳遞後，測試功能並查找所需的輸出。

結果

可以從任何系統的URL訪問部署的模型，以將Kannada句子轉換為英語。

參考

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