ted_hrlr_translate

• توضیحات :

مجموعه داده‌های مشتق شده از رونوشت‌های گفتگوی TED برای مقایسه جفت‌های زبانی مشابه که در آن یکی از منابع بالا و دیگری منابع کم است.

• صفحه اصلی : https://github.com/neulab/word-embeddings-for-nmt

• کد منبع : tfds.translate.TedHrlrTranslate

• نسخه ها :

  • 1.0.0 (پیش‌فرض): API تقسیم جدید ( https://tensorflow.org/datasets/splits )

• حجم دانلود : 124.94 MiB

• ذخیره خودکار ( اسناد ): بله

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• نقل قول :

@inproceedings{Ye2018WordEmbeddings,
  author  = {Ye, Qi and Devendra, Sachan and Matthieu, Felix and Sarguna, Padmanabhan and Graham, Neubig},
  title   = {When and Why are pre-trained word embeddings useful for Neural Machine Translation},
  booktitle = {HLT-NAACL},
  year    = {2018},
  }

ted_hrlr_translate/az_to_en (پیکربندی پیش فرض)

• توضیحات پیکربندی : مجموعه داده های ترجمه از az به en در متن ساده.

• حجم مجموعه داده : 1.61 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'az': Text(shape=(), dtype=object),
    'en': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): ('az', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/aztr_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از az_tr به en در متن ساده.

• حجم مجموعه داده : 42.54 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'az_tr': Text(shape=(), dtype=object),
    'en': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('az_tr', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/be_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از be به en در متن ساده.

• حجم مجموعه داده : 1.47 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'be': Text(shape=(), dtype=object),
    'en': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('be', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/beru_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از be_ru به en در متن ساده.

• حجم مجموعه داده : 62.45 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'be_ru': Text(shape=(), dtype=object),
    'en': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('be_ru', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/es_to_pt

• توضیحات پیکربندی : مجموعه داده های ترجمه از es به pt در متن ساده.

• حجم مجموعه داده : 9.62 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'es': Text(shape=(), dtype=object),
    'pt': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('es', 'pt')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/fr_to_pt

• توضیحات پیکربندی : مجموعه داده های ترجمه از fr به pt در متن ساده.

• حجم مجموعه داده : 9.74 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'fr': Text(shape=(), dtype=object),
    'pt': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('fr', 'pt')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/gl_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از gl به en در متن ساده.

• حجم مجموعه داده : 2.41 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'en': Text(shape=(), dtype=object),
    'gl': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('gl', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/glpt_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از gl_pt به en در متن ساده.

• حجم مجموعه داده : 12.90 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'en': Text(shape=(), dtype=object),
    'gl_pt': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (به as_supervised نظارت شده مراجعه کنید): ('gl_pt', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/he_to_pt

• توضیحات پیکربندی : مجموعه داده ترجمه از او به pt در متن ساده.

• حجم مجموعه داده : 11.71 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'he': Text(shape=(), dtype=object),
    'pt': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('he', 'pt')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/it_to_pt

• توضیحات پیکربندی : مجموعه داده های ترجمه از آن به pt در متن ساده.

• حجم مجموعه داده : 9.94 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'it': Text(shape=(), dtype=object),
    'pt': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('it', 'pt')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/pt_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از pt به en در متن ساده.

• حجم مجموعه داده : 10.89 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'en': Text(shape=(), dtype=object),
    'pt': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('pt', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/ru_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از ru به en در متن ساده.

• حجم مجموعه داده : 63.22 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'en': Text(shape=(), dtype=object),
    'ru': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('ru', 'en')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/ru_to_pt

• توضیحات پیکربندی : مجموعه داده های ترجمه از ru به pt در متن ساده.

• حجم مجموعه داده : 13.00 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'pt': Text(shape=(), dtype=object),
    'ru': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('ru', 'pt')

• مثال‌ها ( tfds.as_dataframe ):

ted_hrlr_translate/tr_to_en

• توضیحات پیکربندی : مجموعه داده های ترجمه از tr به en در متن ساده.

• حجم مجموعه داده : 42.33 MiB

• تقسیم ها :

• ساختار ویژگی :

Translation({
    'en': Text(shape=(), dtype=object),
    'tr': Text(shape=(), dtype=object),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('tr', 'en')

• مثال‌ها ( tfds.as_dataframe ):