google/seq2seq

Prepare WMT'17 Datasets

Open

#21 opened on 2017年3月11日

GitHub で見る
 (3 comments) (0 reactions) (0 assignees)Python (5,587 stars) (1,329 forks)batch import
datahelp wanted

説明

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.

コントリビューターガイド

技術スタック
pythontensorflow
領域
datamachine learning
Issue 種別
feature
難度新しい貢献者にとっての実装難度です。1 は非常に小さな変更、5 は専門的な作業です。
3
推定時間経験ある貢献者が調査、実装、テスト、pull request 準備にかけるおおよその時間範囲です。
3-5 days
活動状況Issue が今どれだけ取り組みやすいかを示します。新しい、活発、古い、ブロック中、またはメンテナー入力待ちなどです。
stale
明確さ期待される変更、受け入れ条件、次の手順がどれだけ明確かを示します。
clear
前提条件
PythonTensorFlowData preprocessingSentencePiece
初心者向け度初回貢献者にどれだけ取り組みやすいかを 1-100 で推定したスコアです。
40
調査方針
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.