标签：sampleCharRNN sampleNMT 示例 TensorRT 机器翻译 Machine samples TensorFlow Translation
基于TensorRT优化的Machine Translation
机器翻译系统用于将文本从一种语言翻译成另一种语言。递归神经网络（RNN）是机器翻译中最流行的深度学习解决方案之一。
TensorRT机器翻译示例的一些示例包括：
- Neural Machine Translation (NMT) Using A Sequence To Sequence (seq2seq) Model
- Building An RNN Network Layer By Layer
4.1. Neural Machine Translation (NMT) Using A Sequence To Sequence (seq2seq) Model
此示例sample, sampleNMT演示了使用TensorRT API基于TensorFlow seq2seq模型实现的神经机器翻译（NMT）。TensorFlow seq2seq模型是一个开源的NMT项目，它使用深层神经网络将文本从一种语言翻译成另一种语言。
What does this sample do?
具体地说，这个示例是一个端到端的示例，它采用TensorFlow模型，构建一个引擎，并使用生成的网络运行推理。该示例是模块化的，因此可以作为机器翻译应用程序的起点。 此示例使用TensorFlow NMT（seq2seq）教程提供并培训的数据来实现德语到英语的翻译。
Where is this sample located?
此示例保存在GitHub: sampleNMT存储库中的samples/opensource/sampleNMT目录下。如果使用Debian或RPM包，则示例位于/usr/src/tensorrt/samples/sampleNMT。如果使用tar或zip包，则示例位于<extracted_path>/samples/sampleNMT。
How do I get started?
有关入门的更多信息，请参见使用C++示例开始。有关此示例的详细信息，请参阅GitHub: sampleNMT/README.md文件获取有关此示例如何工作的详细信息、示例代码以及有关如何运行和验证其输出的分步说明。
4.2. Building An RNN Network Layer By Layer
这个示例sampleCharRNN使用TensorRT API逐层构建RNN网络，设置权重和输入/输出，然后执行推理。
What does this sample do?
具体地说，这个示例创建了一个CharRNN网络，它是在莎士比亚的小数据集上训练出来的。有关字符级建模的详细信息，请参见char rnn。
TensorFlow有一个有用的RNN教程，可以用来训练单词级模型。单词级模型学习所有可能单词序列的概率分布。因为我们的目标是训练一个char级别的模型，它学习一组所有可能特征的概率分布，所以需要做一些修改才能使TensorFlow样本工作。
Where is this sample located?
此示例保存在GitHub: sampleCharRNN存储库中的samples/opensource/sampleCharRNN目录下。如果使用Debian或RPM包，则示例位于
/usr/src/tensorrt/samples/sampleCharRNN。如果使用tar或zip包，则示例位于<extracted_path>/samples/sampleCharRNN。
How do I get started?
有关入门的更多信息，请参见使用C++示例开始。有关此示例的详细信息，请参阅GitHub: sampleCharRNN/README.md文件获取有关此示例如何工作的详细信息、示例代码以及有关如何运行和验证其输出的分步说明。
标签：sampleCharRNN,sampleNMT,示例,TensorRT,机器翻译,Machine,samples,TensorFlow,Translation 来源： https://www.cnblogs.com/wujianming-110117/p/13924104.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。