mbart-large-50-one-to-many-mmt

mBART-Large-50-One-to-Many-MMT项目介绍

项目背景

mBART-Large-50-One-to-Many-MMT是一个多语言机器翻译项目，通过对mBART-large-50进行微调而得。其目的在于实现一种从英文到其他49种语言的高效翻译工具。这个模型中的mBART代表“多语言BART”，是一种经过扩展的多语言预训练和微调方法。这项技术在一篇名为《Multilingual Translation with Extensible Multilingual Pretraining and Finetuning》的论文中被详细介绍。

功能说明

这个模型能够将英文翻译为多达49种其他语言。为了实现翻译到目标语言的功能，目标语言的ID会被强制设定为生成的第一个标记。这意味着，在使用模型进行文本生成时，需要通过generate方法设置forced_bos_token_id参数，以确保目标语言的标识符被置于开头。例如：

from transformers import MBartForConditionalGeneration, MBart50TokenizerFast
article_en = "The head of the United Nations says there is no military solution in Syria"
model = MBartForConditionalGeneration.from_pretrained("facebook/mbart-large-50-one-to-many-mmt")
tokenizer = MBart50TokenizerFast.from_pretrained("facebook/mbart-large-50-one-to-many-mmt", src_lang="en_XX")

model_inputs = tokenizer(article_en, return_tensors="pt")

# 将英文翻译成印地语
generated_tokens = model.generate(
    **model_inputs,
    forced_bos_token_id=tokenizer.lang_code_to_id["hi_IN"]
)
tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
# 输出: 'संयुक्त राष्ट्र के नेता कहते हैं कि सीरिया में कोई सैन्य समाधान नहीं है'

# 将英文翻译成中文
generated_tokens = model.generate(
    **model_inputs,
    forced_bos_token_id=tokenizer.lang_code_to_id["zh_CN"]
)
tokenizer.batch_decode(generated_tokens, skip_special_tokens=True)
# 输出: '联合国首脑说,叙利亚没有军事解决办法'

支持的语言

该模型可以翻译的语言包括：

阿拉伯语（ar_AR）
捷克语（cs_CZ）
德语（de_DE）
英语（en_XX）
西班牙语（es_XX）
爱沙尼亚语（et_EE）
芬兰语（fi_FI）
法语（fr_XX）
古吉拉特语（gu_IN）
印地语（hi_IN）
意大利语（it_IT）
日语（ja_XX）
哈萨克语（kk_KZ）
韩语（ko_KR）
立陶宛语（lt_LT）
拉脱维亚语（lv_LV）
缅甸语（my_MM）
尼泊尔语（ne_NP）
荷兰语（nl_XX）
罗马尼亚语（ro_RO）
俄语（ru_RU）
僧伽罗语（si_LK）
土耳其语（tr_TR）
越南语（vi_VN）
中文（zh_CN）
南非荷兰语（af_ZA）
阿塞拜疆语（az_AZ）
孟加拉语（bn_IN）
波斯语（fa_IR）
希伯来语（he_IL）
克罗地亚语（hr_HR）
印度尼西亚语（id_ID）
格鲁吉亚语（ka_GE）
高棉语（km_KH）
马其顿语（mk_MK）
马拉雅拉姆语（ml_IN）
蒙古语（mn_MN）
马拉地语（mr_IN）
波兰语（pl_PL）
普什图语（ps_AF）
葡萄牙语（pt_XX）
瑞典语（sv_SE）
斯瓦希里语（sw_KE）
泰米尔语（ta_IN）
泰卢固语（te_IN）
泰语（th_TH）
他加禄语（tl_XX）
乌克兰语（uk_UA）
乌尔都语（ur_PK）
科萨语（xh_ZA）
加利西亚语（gl_ES）
斯洛文尼亚语（sl_SI）

学术引用

有关此项目的详情可以参考以下论文引用格式：

@article{tang2020multilingual,
    title={Multilingual Translation with Extensible Multilingual Pretraining and Finetuning},
    author={Yuqing Tang and Chau Tran and Xian Li and Peng-Jen Chen and Naman Goyal and Vishrav Chaudhary and Jiatao Gu and Angela Fan},
    year={2020},
    eprint={2008.00401},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}