陈桦 编译自 Google官方博客

　　量子位 报道 | 公众号 QbitAI

　　谷歌研究软件工程师、谷歌大脑团队成员Anna Goldie和Denny Britz今天撰文，宣布在“谷歌神经机器翻译”的基础上推出开源框架tf-seq2seq，给外部研究人员提供帮助。

　　tf-seq2seq相关链接

　　项目介绍：https://google.github.io/seq2seq/

　　GitHub：https://github.com/google/seq2seq

　　以下是Google官方博客上发布的全文：

　　去年，我们宣布了“谷歌神经机器翻译”（GNMT）项目，这是一种“语句到语句”（seq2seq）模型，目前已被用在谷歌翻译系统中。尽管GNMT在翻译质量方面取得了长足进步，但由于模型的训练框架没有被开放给外部研究人员，因此其影响力存在局限。

　　今天，我们很高兴发布tf-seq2seq。这是TensorFlow内开源的语句到语句框架，j2直播，帮助外部人士更方便地试验语句到语句模型，并取得最先进水平的成果。为了实现这一目标，我们会确保tf-seq2seq的代码库干净、模块化，确保完整的测试覆盖，并在文档中记录所有功能。

　　我们的框架支持标准语句到语句模型的不同配置，例如编解码深度，注意力机制、RNN元素类型，或束尺寸。正如我们的论文《神经机器翻译架构的大规模探索》（https://arxiv.org/pdf/1703.03906.pdf）中所说，这样的灵活性帮助我们发现优化的超参数，并能够胜过其他框架。

　　语句到语句模型能进行中英文之间的翻译。在每一步中，编码器获取一个中文字符及其之前的状态（黑色箭头），并生成一个输出向量（蓝色箭头）。解码器随后逐个单词地生成英文翻译结果。每一步都会获取最后一个单词、之前的状态，开奖，以及对编码器所有输出结果的加权合并，随后生成下一英文单词。请注意，在我们的配置中，我们使用公共字子单元（Wordpieces）来处理罕见字。

　　除机器翻译之外，tf-seq2seq还可应用于其他任何语句到语句任务（例如学会根据给定的输入语句生成输出语句），包括机器归纳，图片标识、语音识别，以及会话建模。我们的对框架的设计确保了通用性，并提供了教程、预处理数据，以及用于机器翻译的其他工具。

　　我们希望，tf-seq2seq能帮助你们加速（或启动）自己的深度学习研究，这个系统的Github页面上还有多个开放的问题，欢迎你们提供帮助，为其做出贡献。

　　今天AI界还有哪些事值得关注？在量子位（QbitAI）公众号会话界面回复“ 今天”，看我们全网搜罗的AI行业和研究动态。笔芯?~

　　另外，欢迎加量子位小助手的微信： qbitbot，如果你研究或者从事AI领域，小助手会把你带入量子位的交流群里。

　　追踪人工智能领域最劲内容