如何使用Python构建一个简单的翻译应用程序

DebugUsery
370 阅读7分钟

使用Python构建一个简单的翻译应用程序，供初学者使用

在本教程中，我将向你展示如何使用Hugging Face Transformers和Gradio构建自己的语言翻译应用。

前提条件

要跟上本教程，你需要具备以下条件。

  • 熟悉Python编程语言。
  • 熟悉谷歌Colab或Jupyter笔记本。
  • 熟悉[自然语言处理]和[PyTorch]。

在本教程中，我将使用[Google Colab]笔记本。

简介

你在谷歌等网站上的查询和谷歌助手等智能助手都有一个共同点--它们都使用自然语言处理（NLP）。

NLP是一种尖端的人工智能技术，它使机器有能力阅读、理解并从人类语言中推导出意义。NLP是谷歌助手听起来如此智能和谷歌查询得到智能响应的原因。

数据分析师和机器学习专家使用NLP来模仿人类的语言学和行为，以节省人力和时间。每天，你在手机的自动更正功能中不知不觉地使用NLP，以帮助你正确地拼写一个单词。

NLP对初学者来说可能很难理解。正因为如此，像Hugging Face这样易于使用的库已经被创建，以使NLP民主化。它是NLP领域的领先创业公司之一。本教程旨在使用它来建立一个简单的英法翻译应用程序。

Hugging Face是一个伟大的开源库，在自然语言处理（NLP）领域做着强大的工作。该库有一堆预训练的模型，你可以利用或微调。该库有许多模型，包括执行各种任务的BERT和GPT-2模型，但对于我们的目的，我们将利用预训练的语言管道。与其去训练一个巨大的语言模型，如具有15亿个参数的GPT-2，不如利用ML管道。

管道是使用模型进行推理的一个伟大而简单的方法。Hugging Face有许多管道，包括TokenClassificationPipeline 、ZeroShotClassificationPipeline 和Text2TextGenerationPipeline ，仅举几例。在我们的教程中，我们将使用TranslationPipeline 。这个管道已经被微调，以执行翻译任务。

Speech Brain和GoogleAI等技术公司使用拥抱式人脸模型来进行深度学习并创造语音技术。

另一方面，Gradio允许你围绕PyTorch模型快速创建可定制的UI组件。它允许你为你的ML模型创建界面。它可以帮助你使用网络界面快速测试你所创建的模型。在他们的官方网站上有免费的示例代码实现，演示你如何使用Gradio来进行数字分类、人脸分割和爆发预测。我们鼓励读者看一下文档中的例子，以便更好地理解。

安装依赖性

在安装PyTorch之前需要注意的一点是，Google Colab已经预装了PyTorch。如果你使用Colab，你可能需要忽略PyTorch的安装，跳到Hugging Face和Gradio的安装。

你的主要依赖将是PyTorch、Hugging Face Transformers和Gradio。让我们继续安装它们。

首先，让我们安装PyTorch。这可以在PyTorch的网站上获得。在网站上，找到Install 按钮并按下它。在安装页面，你会看到一个类似于下图的演练部分。

Installing PyTorch

安装PyTorch的命令根据你的操作系统、选择的软件包（pip、conda、source）、语言和计算平台（CUDA、CPU或ROCm）等因素而有所不同。因此，请确保你选择你的偏好。它不一定要像我一样。我的如下所示。

Preference

为了在我的机器上安装PyTorch，我选择了长期支持（LTS 1.8.1）版本、Linux操作系统、pip 包、Python编程语言和CPU作为我选择的计算平台。如果你的机器有GPU支持，请相应地选择。

选择了这些选项之后，这就是你要运行的安装PyTorch的命令。

pip3 install torch==1.8.1+cpu torchvision==0.9.1+cpu torchaudio==0.8.1 -f https://download.pytorch.org/whl/lts/1.8/torch_lts.html

现在让我们继续安装我们的其他依赖项，即 "抱脸 "变形金刚和Gradio。

pip install transformers ipywidgets gradio --upgrade

请注意，这个命令可以在本地机器的命令行界面中使用，也可以作为Colab笔记本中的一个单元运行。在Colab上安装时，你只需在pip 命令前加一个感叹号! 。这样就可以了。!pip install transformers ipywidgets gradio --upgrade

我们的依赖项现在已经安装成功了!

transformers 将给你提供我们的翻译管道。 ，在你下载模型时提供进度条。 ，给你一个很好的方式来演示和互动你的ML模型。ipywidgets gradio

现在我们已经安装了我们的依赖项，下一步涉及将它们导入我们的模型。

为了导入它们，让我们发出以下命令。

import gradio as gr
from transformers import pipeline

现在已经完成了，让我们继续下载预训练的翻译模型。

下载预训练的翻译模型

Hugging Face有许多转化器管道。对于本教程，你将选择TranslationPipeline ，这是一个特定任务的管道，允许从一种语言翻译到另一种语言。

在文档中，他们指出，你可以使用pipeline() 方法和任务标识符translation_xx_to_yy 来进行翻译，xx 是你要翻译的语言，yy 是你要翻译的语言。在这个例子中，我们正在建立一个简单的翻译应用程序，可以从英语翻译到法语。

要做到这一点，让我们输入以下代码。

translation_pipeline = pipeline ('translation_en_to_fr')

让我们试一试。因此，例如，如果我想翻译 "我迫不及待地想看Money Heist "这句话，我们可以这样做。

translation_pipeline ('I cannot wait to watch Money Heist')

这将是输出结果。


[{'translation_text': 'Je ne peux attendre de regarder Money Heist'}]

很神奇吧？翻译管道正在将我们的文本从英语翻译成法语。

最后，我们将创建一个函数来包装所有这些，并在一个漂亮的用户界面上显示。我们将利用Gradio来完成这项任务。

使用Gradio构建用于交互的Web应用

网络应用程序（web app）是允许在网络浏览器上与用户互动的应用软件。通过互动，用户可以要求获得不同类型的信息，甚至可以操作/改变他们在屏幕上得到的信息。

你每天都在使用的流行网络应用程序的例子包括Twitter、YouTube、Facebook和Gmail。通过这些网络应用，用户可以改变和操纵信息。

对于我们的例子，网络应用允许用户通过一些文本并让其翻译。

def translate_transformers(from_text):
    translated_results = translation_pipeline(from_text)
    return translated_results[0]['translation_text']

我们已经创建了一个名为translate_transformers() 的函数。然后我们将文本传递给我们的翻译转化器管道。我们将翻译的结果存储在一个名为translated_results 的变量中。然后，该函数抓取我们列表中的第一个值[0]，并返回翻译后的文本。

现在，所要做的就是将其封装在Gradio函数中。

我们通过以下方式创建Gradio接口。

interface = gr.Interface(fn=translate_transformers, 
inputs=gr.inputs.Textbox(lines=2, placeholder='Text to translate'),
outputs='text')

只用一行代码就能创建这个界面，真是令人惊讶。我们传入了几个参数。fn ，在这里我们传入了我们的函数，也就是translate_transformers 。我们传入了一个input 类型的Textbox，有2行和一个占位符。你可以在你的项目中改变行数和占位符，没有任何问题。最后一个参数是输出类型。在我们的例子中，它是text 。

让我们继续并启动它。我们使用launch() 方法来实现这一目标。

interface.launch()

这个命令将运行我们的gradio应用程序。

Gradio app

你也可以使用发出launch() 指令后生成的外部链接来运行gradio应用程序。对于我的情况，这就是生成的链接https://18497.gradio.app 。

Gradio translation

我们的代码通过使用Gradio进行翻译而成功运行。

总结

这个教程让我们了解了如何建立一个简单的翻译应用程序。我们安装了我们的依赖项，加载了我们的翻译模型，最后使用Gradio来构建我们的用户界面。这是一个很好的项目例子，你可以把它添加到你的简历或投资组合中。它将向雇主展示你的机器学习能力。你可以通过尝试翻译法语以外的语言来玩转代码。

avatar
文章
阅读
粉丝