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 (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.

Guia do colaborador

Pilha de tecnologia
pythontensorflow
Domain
datamachine learning
Tipo Issue
feature
DifficultyDificuldade de implementação estimada para um novo contribuidor, de 1 para alterações muito pequenas a 5 para trabalho de nível especializado.
3
Tempo estimadoUm intervalo de tempo aproximado para um colaborador experiente investigar, implementar, testar e preparar um pull request.
3-5 days
Status da atividadeQuão disponível o issue aparece agora: novo, ativo, obsoleto, bloqueado ou aguardando entrada do mantenedor.
stale
ClarityCom que clareza o issue explica a mudança esperada, os critérios de aceitação e a próxima etapa.
clear
Prerequisites
PythonTensorFlowData preprocessingSentencePiece
Simpatia para novatosUma pontuação de 1 a 100 que estima o quão acessível este issue é para colaboradores iniciantes.
40
Direção de pesquisa
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.