神經機器翻譯的問題，透過圖書和論文來找解法和答案更準確安心。 我們挖掘到下列精選懶人包

漢西翻譯面面觀: 理論與實踐(三版)

為了解決神經機器翻譯的問題，作者陸孟雁 這樣論述：

　　陸孟雁老師這本關於西班牙語翻譯的著作堪稱她十年來教學的心血結晶。綜觀內容涵蓋筆譯與口譯，理論與實務兼而有之。在臺灣所出版的西語翻譯書籍裡算是異軍突起。   　　2009 年8 月某日午後甫接系主任職務的我，在辦公室見到一位秀外慧中的女士，自我介紹叫陸孟雁，詢問是否有教職缺，因對她小時候在國外長大、輔大研究所甫畢業，即來系上任教過有特別印象，加上翻譯課尚缺一位教師，欣然邀請她加入教師行列。中斷教學多年之後，她得以重拾教鞭、發揮她對教學的熱情至今。(淡江大學西班牙語文學系退休副教授/吳　寬)   　　本人擔任系主任期間，她曾臨危受命為系上文化活動做現場即席口譯，表現出色。而她也費心安排課外

活動，讓學生由多元角度瞭解西班牙語的表達。例如，帶領學生至中央廣播電臺參觀，瞭解以西班牙語向海外播音之狀況。也曾引領學生參觀紅毛城，使瞭解西語導覽的技巧，讓學子受益良多，深獲好評。她亦投入本校外語學院主編的《話說淡水》多語的導覽書西語部分的翻譯。教學之餘亦投入支援公部門的語訓，即席口譯等接待外賓工作。   　　由於翻譯實務工作經驗豐富，教學相長，傾囊相授地撰寫本書，不吝提供讀者認識翻譯之多種面向，令人感佩。而其欲以本書嘉惠學子踏入翻譯專業世界的用心，亦殊為可嘉。

神經機器翻譯進入發燒排行的影片

深度學習與遷移學習應用於即時花卉辨識系統之研究

為了解決神經機器翻譯的問題，作者賴安祺 這樣論述：

目前在市面上已經有用於識別植物、花卉、水果和蔬菜的應用程式，這些應用程式相當具有教育意義。隨著身份識別和移動設備的普及，移動設備上的查詢數量也隨之增加，使用網路查詢的信息通常不是自己想找到的正確信息。本文將研究深度學習應用到花卉的即時識別，用戶通過行動裝置的攝像頭對於識別的花卉進行拍照，然後利用深度學習模型識別花卉，並即時性的連接查詢花卉。本文提出了一套權重模型，參考重新訓練的 Google inception v3作為花卉類型即時圖像分類的識別系統，並實現了另外兩種比較方法，使用兩種機器學習模型 Resnet-50 和 LeNet-5 進行圖像識別學習。首先，收集到的花卉照片用於機器學習訓

練。訓練好的機器學習模型放置在雲端伺服器上。用戶使用手機攝像頭對花卉進行拍照，系統可自動連接雲端進行深度學習識別。花卉的信息就會顯示在手機或網頁上。經實驗完成驗證，本系統識別率達95%以上。

Google翻譯實作：機器翻譯NLP基礎及模型親手打造

為了解決神經機器翻譯的問題，作者肖桐,朱靖波 這樣論述：

★☆★☆★【全中文自然語言處理】★☆★☆★ 有了多拉A夢翻譯年糕誰還要找翻譯社？人人都可以當口譯哥！ 旅遊網紅用手機環遊世界溝通無礙！ 　　當Google翻譯像空氣一樣自然的存在時，我們仿佛忘了機器翻譯走了幾百年，篳路藍縷有多麼的艱辛。身為使用者在享受這些科技的成果時，技術人員則更好奇些神奇應用底層的科學是如何發展出來的。熟悉史丹佛CS224n NLP課程的人，一定對大師Chris Manning對機器翻譯的重點十分讚嘆。本書就是堪比大師NLP和機器翻譯的真正鉅作。從機器翻譯的歷史、數學原理、理論細節、實作理論、參考資源、最新發展、從最細節到最宏觀的高度都放入書中。NLP是AI上皇冠上

的一個明珠，機器翻譯更是最能展現NLP技術的極緻精華。從事NLP的技術人員、資料科學家、神經網路演算法科學家，如果想要真正進入NLP的世界，本書將會是20年來最重要，最完整、最能精進技術的一個重要提升。 　　本書技術重點 　　✪理性主義及資料主義 　　✪統計語言建議 　　✪詞法/語法分析，以機率圖/分類器模型 　　✪科學方法評估翻譯品質 　　✪以詞、扭曲度/繁衍度、短語、句法模型的翻譯方法 　　✪Google大殺器：神經機器翻譯建模 　　✪循環神經網路模型/注意力機制，卷積神經網路模型 　　✪Transformer，自注意力機制 　　✪神經網路翻譯模型訓練/推論/結構最佳化 　　✪小型裝置上

的神經網路機器翻譯 　　✪多模態/多層次機器翻譯 　　✪當代機器翻譯的應用及佈署 本書特色 　　◎機器翻譯簡介 　　說明了從理性主義一直進入到資料主義的過程。接下來說明統計語言建模的基礎，進一步進入詞法語法分析的原理，其中並穿插了翻譯品質的評鑑標準。 　　 　　◎統計機器翻譯 　　介紹了以詞、扭曲度、繁衍度、短語、句法為基礎的機器翻譯原理及實作。 　　◎近代機器翻譯的新世代 – 神經機器翻譯 　　介紹了神經網路及神經語言的建模、循環神經網路模型、卷積神經網路模型及自注意力機制的模型。 　　◎神經翻譯系統的細節 　　包括模型訓練及最佳化，模型的推論，更有針對神經網路系統的結構精進，以及使

用低資源的神經網路(如資料蒸餾)，以及多模態、多層次的機器翻譯，也介紹了新一代神經網路的應用及發展。  

A Hybrid Embedding Approach for XLM to Dialect Neural Machine Translation

為了解決神經機器翻譯的問題，作者黃嘉銘 這樣論述：

粵語是漢語的變體。在中國南方地區得到廣泛應用。此外，它在世界各地有很多演講者。雖然粵語和普通話的詞系統和大部分詞義相同，但由於語法和用詞的不同，這兩種方言不能相互理解。因此，為這些語言創建翻譯模型是一項重要的工作。無監督神經機器翻譯是應用於這些語言的最理想方法，因為並行數據很少。在本文中，我們提出了一種方法，該方法結合了改進的跨語言語言模型，並對無監督神經機器翻譯進行了逐層注意。在我們的實驗中，我們觀察到我們提出的方法確實將粵語到中文和中文到粵語的翻譯提高了 1.088 和 0.394 BLEU 分數。此外，我們發現訓練數據的領域和質量對翻譯性能有巨大影響。來自社交網絡，尤其是論壇（LIHK

G 連登）的粵語數據解析，不是用於方言翻譯的理想資源。