google/seq2seq

Prepare WMT'17 Datasets

Open

#21 ouverte le 11 mars 2017

Voir sur GitHub
 (3 commentaires) (0 réactions) (0 assignés)Python (5 587 stars) (1 329 forks)batch import
datahelp wanted

Description

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.

Guide contributeur

Stack technique
pythontensorflow
Domaine
datamachine learning
Type d'issue
feature
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
3-5 days
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
stale
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
clear
Prérequis
PythonTensorFlowData preprocessingSentencePiece
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
40
Direction de recherche
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.