google/seq2seq

Prepare WMT'17 Datasets

Open

#21 aberto em 11 de mar. de 2017

Ver no GitHub
 (3 comments) (0 reactions) (0 assignees)Python (1.329 forks)batch import
datahelp wanted

Métricas do repositório

Stars
 (5.587 stars)
Métricas de merge de PR
 (Nenhuma PRs mesclada em 30d)

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.

Guia do colaborador

Direção de pesquisa
Investigue os links do conjunto de dados WMT'17, implemente a tokenização com sentencepiece e crie scripts de pré processamento para cada par de idiomas com tamanhos de vocabulário configuráveis e versões em nível de caractere.
Pilha de tecnologia
pythontensorflow
Domain
backenddatamachine learning
Tipo Issue
Funcionalidade
DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.
2
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
Meio dia
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
Antigo
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
Claro
Prerequisites
PythonTensorFlow
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
75