| language: | |
| - fa | |
| - multilingual | |
| thumbnail: https://upload.wikimedia.org/wikipedia/commons/a/a2/Farsi.svg | |
| tags: | |
| - machine-translation | |
| - mt5 | |
| - persian | |
| - farsi | |
| license: cc-by-nc-sa-4.0 | |
| datasets: | |
| - parsinlu | |
| metrics: | |
| - sacrebleu | |
| # Machine Translation (ترجمه‌ی ماشینی) | |
| This is an mT5-based model for machine translation (Persian -> English). | |
| Here is an example of how you can run this model: | |
| ```python | |
| from transformers import MT5ForConditionalGeneration, MT5Tokenizer | |
| model_size = "large" | |
| model_name = f"persiannlp/mt5-{model_size}-parsinlu-opus-translation_fa_en" | |
| tokenizer = MT5Tokenizer.from_pretrained(model_name) | |
| model = MT5ForConditionalGeneration.from_pretrained(model_name) | |
| def run_model(input_string, **generator_args): | |
| input_ids = tokenizer.encode(input_string, return_tensors="pt") | |
| res = model.generate(input_ids, **generator_args) | |
| output = tokenizer.batch_decode(res, skip_special_tokens=True) | |
| print(output) | |
| return output | |
| run_model("ستایش خدای را که پروردگار جهانیان است.") | |
| run_model("در هاید پارک کرنر بر گلدانی ایستاده موعظه می‌کند؛") | |
| run_model("وی از تمامی بلاگرها، سازمان‌ها و افرادی که از وی پشتیبانی کرده‌اند، تشکر کرد.") | |
| run_model("مشابه سال ۲۰۰۱، تولید آمونیاک بی آب در ایالات متحده در سال ۲۰۰۰ تقریباً ۱۷،۴۰۰،۰۰۰ تن (معادل بدون آب) با مصرف ظاهری ۲۲،۰۰۰،۰۰۰ تن و حدود ۴۶۰۰۰۰۰ با واردات خالص مواجه شد. ") | |
| run_model("می خواهم دکترای علوم کامپیوتر راجع به شبکه های اجتماعی را دنبال کنم، چالش حل نشده در شبکه های اجتماعی چیست؟") | |
| ``` | |
| For more details, visit this page: https://github.com/persiannlp/parsinlu/ | |