Logo
Project Icon

mt5-small-parsinlu-opus-translation_fa_en

基于mT5的波斯语至英语机器翻译模型

模型Persian机器翻译ParsiNLU开源项目HuggingfaceMT5模型GithubEnglish

该开源项目提供了一个基于mT5的波斯语至英语机器翻译模型。模型利用MT5ForConditionalGeneration和MT5Tokenizer实现翻译功能，并附有Python代码示例说明使用方法。支持宗教语句、日常对话和技术内容等多种文本类型的翻译。作为parsinlu项目的组成部分，此模型为有波斯语-英语翻译需求的用户提供了实用工具。

GithubGithubHuggingfaceHuggingface
介绍相关项目
opus-mt-sv-en - 基于OPUS数据集的瑞典语-英语神经机器翻译模型
BLEU评分GithubHuggingfaceOPUS-MT开源项目机器翻译模型瑞典语英语
opus-mt-sv-en是一个瑞典语到英语的神经机器翻译模型，基于transformer-align架构构建。该模型使用OPUS数据集训练，经过normalization和SentencePiece预处理。在Tatoeba测试集上，模型达到64.5 BLEU分数和0.763 chr-F分数，显示出较高的翻译质量。项目开源了预训练权重、测试集翻译结果和评估数据，便于研究者复现和评估模型性能。
mt5-large - 多语言文本转换模型支持101种语言处理
GithubHuggingfacemT5多语言模型开源项目机器学习模型自然语言处理预训练
mt5-large是基于Google's mT5架构开发的大规模多语言预训练模型。该模型在覆盖101种语言的mC4语料库上训练，可处理中文、英语、法语等多语言任务。mt5-large采用统一的文本到文本格式，在多语言NLP基准测试中表现出色。值得注意的是，该模型需要针对特定下游任务进行微调后才能使用。mt5-large为多语言自然语言处理研究和应用提供了坚实基础，有助于推动跨语言AI技术的发展。
mt5-base - 多语言预训练文本转换模型 覆盖101种语言的强大NLP工具
GithubHuggingfacemT5多语言模型开源项目机器学习模型自然语言处理预训练
mt5-base是Google开发的基于T5架构的多语言预训练模型，涵盖101种语言。该模型在mC4语料库上进行预训练，适用于多种跨语言NLP任务。使用时需针对特定任务进行微调。mt5-base在多语言基准测试中表现出色，为自然语言处理领域提供了有力支持。
opus-mt-en-uk - 高效英乌翻译模型优化方案
BLEU评分GithubHuggingfaceopus-mt-en-uk开源项目模型翻译英文到乌克兰文
opus-mt-en-uk项目是一个专注于英乌机器翻译的开源模型，使用基于opus数据集的transformer-align技术，提供高效的语言翻译。模型经过规范化和SentencePiece预处理，在Tatoeba测试集中表现优异，BLEU得分为50.2，chr-F为0.674。项目提供原始模型权重和测试集结果供用户下载，以便进行实际应用和评估。
OPUS-MT-train - 用于训练多语言神经机器翻译模型的开源工具集
GithubOpus-MT多语言翻译开源软件开源项目机器翻译模型训练
OPUS-MT-train是一个开源的神经机器翻译模型训练工具集。它基于MarianNMT和OPUS数据集，提供了模型训练、评估和发布的完整脚本。该项目包含丰富的预训练模型，支持多语言翻译，并附有详细文档和教程。OPUS-MT-train适用于CSC HPC集群环境，包含了安装、设置和使用的详细说明。它还提供了低资源语言模型训练和Tatoeba翻译挑战等教程，致力于推动神经机器翻译技术的普及，为研究人员和开发者提供了实用的工具，有助于推进神经机器翻译技术的研究和应用。
opus-mt-es-en - 西班牙语至英语机器翻译模型 Tatoeba测试集BLEU评分59.6
GithubHuggingfaceOPUSTatoeba开源项目机器翻译模型英语西班牙语
opus-mt-es-en是一个基于Transformer架构的西班牙语至英语机器翻译模型。该模型在Tatoeba测试集上获得59.6的BLEU分数和0.739的chrF分数。模型采用规范化和SentencePiece进行预处理，适用于多种西班牙语到英语的翻译场景。作为OPUS项目的组成部分，该模型采用Apache 2.0许可证开源。
opus-mt-en-gl - 英语到加利西亚语机器翻译模型 基于OPUS数据集
BLEU评分GithubHuggingfaceopus-mt-en-gl开源项目数据集机器翻译模型语言模型
opus-mt-en-gl是一个开源的英语到加利西亚语机器翻译模型。该模型采用transformer-align架构，基于OPUS数据集训练，使用normalization和SentencePiece进行预处理。在Tatoeba测试集上，模型达到36.4的BLEU得分和0.572的chr-F值，表现出较好的翻译质量。这个模型为英语到加利西亚语的翻译任务提供了一个有效的工具。
opus-mt-gmq-en - 北日耳曼语到英语的翻译模型
GithubHuggingfaceNorth Germanic languagesTatoeba-Challenge开源项目模型翻译英语
这是一个基于transformer模型的项目，专注于将北日耳曼语言翻译为英语。使用了SentencePiece进行预处理，支持多种语言，比如丹麦语、挪威语和瑞典语。在Tatoeba测试集上，获得了58.1的BLEU评分。用户可以通过提供的链接下载原始模型权重和测试集，适合对多语言翻译有研究兴趣的开发者和研究人员。
opus-mt-en-hu - 基于Transformer的英匈双语机器翻译模型
BLEU评分GithubHuggingfaceopus-mt-en-hutransformer开源项目机器翻译模型自然语言处理
opus-mt-en-hu是一个英语到匈牙利语的机器翻译模型，采用Transformer架构设计。该模型基于OPUS数据集训练，应用了normalization和SentencePiece预处理技术。在Tatoeba测试集上，模型实现了40.1的BLEU分数和0.628的chr-F分数，表现出良好的翻译能力。模型提供了原始权重和测试集翻译结果供下载，便于进行评估和实际应用。
bert-fa-base-uncased-ner-peyma - 基于BERT的波斯语命名实体识别模型ParsBERT
GithubHuggingfaceParsBERTTransformer命名实体识别开源项目模型波斯语自然语言处理
ParsBERT是一个用于波斯语命名实体识别(NER)的开源模型。该模型基于BERT架构,在PEYMA数据集上训练,可识别7类命名实体。在PEYMA测试集上,ParsBERT实现了93.40%的F1分数,超越了此前的模型。研究者可通过Hugging Face Transformers库便捷地应用此模型进行波斯语NER任务。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号