google/seq2seq

Prepare WMT'17 Datasets

Open

#21 geöffnet am 11. März 2017

Auf GitHub ansehen
 (3 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (5.587 Stars) (1.329 Forks)batch import
datahelp wanted

Beschreibung

We should prepare datasets for All WMT'17 language pairs. This is also a change to try out google/sentencepiece as a preprocessor.

Each dataset should come in different configurations, i.e. different vocabulary sizes and also have a character-level version.

Together with the raw data files we also need the script that was used for the process.

Contributor Guide

Tech Stack
pythontensorflow
Domain
datamachine learning
Issue Type
feature
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
3-5 days
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
stale
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
clear
Voraussetzungen
PythonTensorFlowData preprocessingSentencePiece
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
40
Research-Richtung
Examine the existing data preparation scripts in the repository to understand the expected format. For each WMT'17 language pair, download the raw data, then apply sentencepiece tokenization with varying vocabulary sizes (e.g., 8k, 16k, 32k) and also create a character level version. The script should be reusable and saved alongside the processed data. Refer to the WMT17 task page for exact language pairs and data sources.