文言文 to 现代文

Model description

How to use

使用 pipeline 调用模型:

>>> from transformers import pipeline
>>> model_checkpoint = "supermy/c2m"
>>> translator = pipeline("translation", 
		model=model_checkpoint,
		num_return_sequences=1,
		max_length=52, 
		truncation=True,)

>>> translator("往者不可谏,来者犹可追。")
[{'translation_text': '过 去 的 事 情 不能 劝 谏 , 未来 的 事 情 还 可以 追 回 来 。 如 果 过 去 的 事 情 不能 劝 谏 , 那 么 , 未来 的 事 情 还 可以 追 回 来 。 如 果 过 去 的 事 情'}]

>>> translator("福兮祸所伏,祸兮福所倚。",do_sample=True)
[{'translation_text': '幸 福 是 祸 患 所 隐 藏 的 , 灾 祸 是 福 祸 所 依 托 的 。 这 些 都 是 幸 福 所 依 托 的 。 这 些 都 是 幸 福 所 带 来 的 。 幸 福 啊 , 也 是 幸 福'}]

>>> translator("成事不说,遂事不谏,既往不咎。", num_return_sequences=1,do_sample=True)
[{'translation_text': '事 情 不 高 兴 , 事 情 不 劝 谏 , 过 去 的 事 就 不 会 责 怪 。 事 情 没 有 多 久 了 , 事 情 没 有 多 久 , 事 情 没 有 多 久 了 , 事 情 没 有 多'}]

>>> translator("逝者如斯夫!不舍昼夜。",num_return_sequences=1,max_length=30)
[{'translation_text': '逝 去 的 人 就 像 这 样 啊 , 不分 昼夜 地 去 追 赶 它 们 。 这 样 的 人 就 不 会 忘 记'}]

Here is how to use this model to get the features of a given text in PyTorch:

from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
tokenizer = AutoTokenizer.from_pretrained("supermy/c2m")
model = AutoModelForSeq2SeqLM.from_pretrained("supermy/c2m")
text = "用你喜欢的任何文本替换我。"
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

Training data

非常全的文言文(古文)-现代文平行语料,基本涵盖了大部分经典古籍著作。

原始爬取的数据是篇章级对齐,经过脚本分句(按照句号分号感叹号问号划分)以及人工校对,形成共计约96万句对。目录bitext下是文言文-现代文对齐的平行数据。此外,目录source下是文言文单语数据,target下是现代文单语数据,这两个目录下的文件内容按行对齐。

以下为数据统计信息。其中,短篇章中包括了《论语》、《孟子》、《左传》等篇幅较短的古籍,已和《资治通鉴》合并。

书名 句数
短篇章和资治通鉴 348727
元史 21182
北史 25823
北书 10947
南史 13838
南齐书 13137
史记 17701
后汉书 17753
周书 14930
太平广记 59358
宋书 23794
宋史 77853
徐霞客游记 22750
新五代史 10147
新唐书 12359
旧五代史 11377
旧唐书 29185
明史 85179
晋书 21133
梁书 14318
水经注全 11630
汉书 37622
辽史 9278
金史 13758
陈书 7096
隋书 8204
魏书 28178
总计 967257

《短篇章和资治通鉴》中各书籍统计如下(此部分数据量不完全准确):

书名 句数
资治通鉴 7.95w
左传 1.09w
大学章句集注 86
反经 4211
公孙龙子 73
管子 6266
鬼谷子 385
韩非子 4325
淮南子 2669
黄帝内经 6162
皇帝四经 243
将苑 100
金刚经 193
孔子家语 138
老子 398
了凡四训 31
礼记 4917
列子 1735
六韬 693
六祖坛经 949
论语 988
吕氏春秋 2473
孟子 1654
梦溪笔谈 1280
墨子 2921
千字文 82
清史稿 1604
三字经 234
山海经 919
伤寒论 712
商君书 916
尚书 1048
世说新语 3044
司马法 132
搜神记 1963
搜神后记 540
素书 61
孙膑兵法 230
孙子兵法 338
天工开物 807
尉缭子 226
文昌孝经 194
文心雕龙 1388
吴子 136
孝经 102
笑林广记 1496
荀子 3131
颜氏家训 510
仪礼 2495
易传 711
逸周书 1505
战国策 3318
贞观政要 1291
中庸 206
周礼 2026
周易 460
庄子 1698
百战奇略 800
论衡 1.19w
智囊 2165
罗织经 188
朱子家训 31
抱朴子 217
地藏经 547
国语 3841
容斋随笔 2921
幼学琼林 1372
三略 268
围炉夜话 387
冰鉴 120

如果您使用该语料库,请注明出处:https://github.com/NiuTrans/Classical-Modern

感谢为该语料库做出贡献的成员:丁佳鹏、杨文权、刘晓晴、曹润柘、罗应峰。

Training procedure

在英伟达16G显卡训练了 4 天整,共计68 次。

文言文数据集 训练数据. Helsinki-NLP Helsinki-NLP 模型:


###  entry and citation info