自由翻译 | | 免费和开源机器翻译 API，完全自托管。 与其他 API 不同，它不依赖专有提供商（如 Google 或 Azure）来执行翻译。 | API 示例 要求： const res = await fetch ( "https://libretranslate.com/translate" , { method : "POST" , body : JSON . stringify ( { q : "Hello!" , source : "en" , target : "es" } ) , headers : { "Content-Type" : "application/json" } } ) ; console . log ( await res . json ( ) ) ; 回复： { "translatedText" : "

从Moses前期工作，Moses统计机器翻译系统的环境搭建到准备语料库，标注，训练语言模型，训练翻译模型，调优，测试等整个步骤特别详细。“只要看懂中文，剩下的本文帮你解决”！

该脚本模拟了Tomas Milokov的“利用机器翻译的语言之间的相似性”中的实验。 用法： 使用gensim在word2vec中训练两个模型，一个在目标语言中，一个在源语言中。 加载两者，然后运行脚本以查看准确性@ 5和准确性@ 1。 有关完整的实验详细信息，请参见论文。 这是Mostafa Chatillon在中的脚本的净化后的注释版本。

简单的NMT 简单易读的神经机器翻译系统 1个背景 通过计算机自动翻译自然语言的过程称为机器翻译（MT） 。 神经机器翻译（NMT）直接使用Encoder-Decoder框架进行分布式表示语言的端到端映射，具有统一的模型结构和较高的翻译质量，已成为当今的主流。 机器翻译的发展主要归功于开源系统的推广和评估竞赛。 有许多出色的神经机器翻译系统（ ， ， 等），但是这些开源系统具有实现复杂，代码过多，初学者难以阅读的缺点。 2要做 我致力于构建一个易于阅读，使用且对初学者友好的神经机器翻译系统。

注意：本系统不仅仅支持本地英汉互译服务，还可以部署于外网服务器或者云服务器 虽不如在线翻译，但基于深度学习框架训练的模型，翻译效果还是可以的。 支持的语言：中英互译 适用系统：一键开启版本仅支持Windows系统。 亮点：无需配置任何运行环境，一键双击exe即可开启服务，可以脱离互联网完全离线本地化进行文本的翻译工作，永久免费，免费，免费。 使用环境：windows系统（不要搞xp 我不确定能不能运行 太老了） 服务开启后是一个web服务的形式，提供一个api服务（http://127.0.0.1:5690），通过post的形式向本服务传输需要翻译的字符。 资源压缩包内有详细的使用说明，或访问https://tieba.baidu.com/p/7576401247?fid=20998&pid=141674797248&cid=0&red_tag=0487712649#141674797248查看使用说明和调用实例，下载后如遇到运行问题，请私聊我或者添加我使用说明内的联系方式，我将尽量解答。

机器翻译（MT）：将一段文本从一种语言自动翻译为另一种语言，用神经网络解决这个问题通常称为神经机器翻译（NMT）。 主要特征：输出是单词序列而不是单个单词。 输出序列的长度可能与源序列的长度不同。 数据预处理 去除特殊字符 def preprocess_raw(text): text = text.replace('\u202f', ' ').replace('\xa0', ' ') out = '' for i, char in enumerate(text.lower()): if char in (',', '!', '.') and i > 0

清华大学研究整理的机器翻译和人工智能报告，包括概述、人才、技术、应用，内含各种图表，需要的可以下载学习

C#程序

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 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。 因此，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模型进行了预训练： 小型：由ET提供的TED演讲的英语-越南语平行语料库（133K句子对）。 大型：由所提供的德英平行语料库（450万个句子对）。 我们首先建立

PyTorch实现基于Transformer的神经机器翻译