和谐店员是从谷歌官方博客编译的
量子报道|公众号QbitAI
谷歌研究软件工程师、谷歌大脑团队成员粗暴的唇彩谷歌和Denny Britz今天根据《谷歌神经机器翻译》发布了开源框架tf-seq2seq，
tf-seq2seq相关链接
项目介绍： https://谷歌. github.io/seq2seq /github:https://Github.com /谷歌/SEQ2SEQ
以下是Google官方博客上发布的全文：
去年，我们推出了“谷歌网络机械转换”(GNMT )项目。 这是“seq2seq”模型，目前正在谷歌翻译系统中使用。 虽然GNMT在翻译质量方面取得了很大进步，但其影响力有限，因为模型培训框架不向外部研究者开放。
很高兴今天我们发表了tf-seq2seq。 这是TensorFlow中开源语句到语句的框架，有助于外部人员更轻松地测试语句到语句的模型，从而获得最先进的成果。 为了实现这一点，tf-seq2seq的代码库实现了清洁模块化，确保了完整的测试覆盖，所有功能都记录在文档中。
我们的框架支持从标准语句到语句模型的各种配置，包括编解码器的深度、注意机制、RNN元素类型和包大小。 正如我们在论文《神经机器翻译架构的大规模探索》 (https://arxiv.org/pdf/1703.03906.pdf ) )中所述，这样的灵活性可以发现优化的超级参数，并胜过其他框架。
从句子到句子的模式可以进行中英文之间的翻译。 在每一步中，编码器获取中文字符及其前面的状态(黑色箭头)，并生成输出向量(蓝色箭头)。 然后，解码器为每个词生成英语翻译结果。 每一步都会获取最后一个单词、上一个状态和编码器所有输出结果的加权集成，并生成以下英语单词： 请注意，在我们的配置中，使用公共字子单元Wordpieces来处理不寻常的单词。
除了机器翻译以外，tf-seq2seq还可以应用于任意语句到语句的任务，如机器归纳、图像识别、语音识别和会话建模。 的框架设计确保了通用性，提供了教学、预处理数据和机器翻译的其他工具。
我们希望tf-seq2seq有助于加速(或启动)你们的深度学习研究。 这个系统的Github网页上还有很多开放的问题。 欢迎你们的帮助，并为此做出贡献。
今天AI界应该关注的事情是什么？ 在量子比特(QbitAI )公众号对话界面回复“今天”，看看我们在网上搜索到的AI行业和研究动态。 芯~
另外，欢迎加入量子比特助手微信。 千兆字节。 研究或从事AI领域，助手会带你去量子比特的交流小组。