X翻译 Chrome扩展程序，用于在页面上下文中翻译外语。 直接在您正在阅读的网站上将100多种外语翻译成您的母语，或在扩展程序的下拉窗口中输入文字。 特征： 从网页中的文本获取翻译的多种方法： 双击单词 选择以下文本并立即执行以下操作之一即可获得翻译： 按扩展名设置中定义的热键（默认情况下为alt + shift + x ） 单击翻译图标出现在所选文本附近 选择文本后释放鼠标按钮（默认情况下此选项处于关闭状态） 在输入字段中输入文本，将鼠标悬停在其上并按热键 通过将鼠标悬停在图像元素上并按热键，您甚至可以从图像中获得一些翻译（如果适用，将使用title或alt属性）。 更重要的是，借助此功能，只需将鼠标悬停在热键上即可在页面上按文本块自动翻译！ 还支持PDF文件中的翻译，但是由于chrome呈现pdf文件的技术限制，因此只能从上下文菜单中使用。 在打开的文件中选择一个文本（请确保它不是pdf内容中的图像文件）， 然后在选择上单击鼠标右键，然后从上下文菜单中选择翻译文本。 聆听所有支持的翻译供应商的文本语音转换 创建带有翻译结果的弹出式窗口的独特设计（主题） 在应用程序

iTour chat translation - 网页视频自动翻译插件

bob-plugin-openl-translate 这是 的一个 翻译插件 特性 一个 API 密钥通用所有翻译服务 无需注册管理 API 密钥 支持服务 DeepL 有道翻译 腾讯翻译君 阿里翻译 百度翻译 彩云小译 微信翻译 搜狗翻译 Azure 翻译 IBM Watson Amazon 翻译 Google 翻译 （更多服务正在筹备中...） 安装 安装 (版本 >= 0.50) 下载插件: 插件安装: 预览

matlab代码左移神经机器翻译（seq2seq）教程 作者：Thang Luong，Eugene Brevdo，赵瑞（，） 此版本的教程要求。 要使用稳定的TensorFlow版本，请考虑其他分支，例如。 如果您使用此代码库进行研究，请引用。 介绍 序列到序列（seq2seq）模型（，）在各种任务（例如机器翻译，语音识别和文本摘要）中都取得了巨大的成功。 本教程为读者提供了对seq2seq模型的全面理解，并展示了如何从头开始构建具有竞争力的seq2seq模型。 我们专注于神经机器翻译（NMT）的任务，这是带有wild的seq2seq模型的第一个测试平台。 所包含的代码轻巧，高质量，可立即投入生产，并结合了最新的研究思路。 我们通过以下方式实现这一目标： 使用最新的解码器/注意包装器，TensorFlow 1.2数据迭代器 结合我们在构建递归模型和seq2seq模型方面的专业知识 提供有关构建最佳NMT模型和复制的提示和技巧。 我们认为，提供人们可以轻松复制的基准非常重要。 结果，我们提供了完整的实验结果，并在以下公开可用的数据集上对我们的模型进行了预训练： 小型：由ET提供的TED演

Genymotion-ARM-Translation_v1.1 Genymotion-ARM-Translation_v1.1 将Genymotion-ARM-Translation.zip拖到模拟器窗口，出现以下提示框，点击OK，等待操作完成后重启虚拟设备

qt_doc_cn_5.12.0 qt的翻译在线文档

Genymotion模拟器支持5.0版本的ARM_Translation。 使用的步骤很简单： - 在 Genymotion 里面建立 5.0 or 5.1 的模拟器。 - 开机后把 ARM_Translation_Lollipop_20160402.zip 拖到模拟器视窗中，让他自动安装。 - 完成后重启模拟器即可。 Steps: - Create 5.0 or 5.1 emulator in Genymotion - Drag the file "ARM_Translation_Lollipop_20160402.zip" into emulator to install the package - Restart emulator and enjoy !

安卓9版本Genymotion-ARM-Translation，直接拖入虚拟机中安装

On the Sphere-Decoding Algorithm I. Expected Complexity Abstract—The problem of finding the least-squares solution to a system of linear equations where the unknown vector is comprised of integers, but the matrix coefficient and given vector are comprised of real numbers, arises in many applications: communications, cryptography, GPS, to name a few. The problem is equivalent to finding the closest lattice point to a given point and is known to be NP-hard. In communications applications, however, the given vector is not arbitrary but rather is an unknown lattice point that has been perturbed by an additive noise vector whose statistical properties are known. Therefore......

使用文档级上下文改进变压器翻译模型 内容 介绍 这是我们工作的实现，将Transformer扩展为集成文档级上下文[ ]。 该实现在 用法 注意：用法不是用户友好的。 以后可能会改善。 训练标准的变压器模型，请参考的用户手册。 假设model_baseline / model.ckpt-30000在验证集上表现最佳。 使用以下命令生成虚拟的改进的Transformer模型： python THUMT/thumt/bin/trainer_ctx.py --inputs [source corpus] [target corpus] \ --context [context corpus] \ --vocabulary [source