谷歌翻译为什么那么准确（Google翻译更胜一筹破）
谷歌翻译为什么那么准确（Google翻译更胜一筹破）使用人类对比评分指标，GNMT 系统生成的翻译相比此前有了大幅提高。在几种重要语言中，GNMT将翻译错误降低了55%-58%。 要每一步生成一个翻译好的英语单词，解码器需要注意被编码中文向量的加权分布中，与生成英语单词关系最为密切的那个（上图中解码器d上面多条透明蓝线中颜色最深的那条），解码器关注越多，蓝色越深。（b）部分是这些点集的其中一个放大后的结果。（c）部分则由原语言的颜色所示。在单个点集中，我们能够看到日韩英三种语言中，拥有相同含义的句子聚在一起。这意味着网络必定是对句子的语义进行编码，而不是简单地记住短语到短语之间的翻译。所以我们认为这代表了网络中存在了一种国际通用语（interlingua）。 下面的动图展示了 GNMT 进行汉英翻译的过程。首先，网络将汉字（输入）编码成一串向量，每个向量代表了当前读到它那里的意思（即 e3 代表“知识就是”，e5代表“知识就是力量”）。整句
过去10年中，Google翻译已从仅支持几种语言发展到了支持 103种，每天翻译超过了 1400亿字。为了实现这一点，我们需要构建和维护许多不同的系统，以便在任何两种语言之间进行转换，由此产生了巨大的计算成本 。
就在昨天，美国时间 11 月 22 日。除了提高翻译质量，我们的方法还实现了“Zero-Shot Translation”，也即在没有先验数据的情况下，让系统对从未见过的语言进行翻译。
下图展示了最新GNMT 的工作原理。假设我们使用日语和英语以及韩语和英语之间相互翻译为例，训练一个多语言系统，如动画中蓝色实线所示。这个新的多语言系统与单个 GNMT 系统大小一样，参数也一样，能够在日英和韩英这两组语言对中进行双语翻译。
从上图显示：
（a）部分显示了这些翻译的总体几何构成。意思相同的一句话可以从英语翻译为韩语，与从日语翻译为英语的颜色相同。不同颜色的点各自形成的集合（group）。
（b）部分是这些点集的其中一个放大后的结果。
（c）部分则由原语言的颜色所示。在单个点集中，我们能够看到日韩英三种语言中，拥有相同含义的句子聚在一起。这意味着网络必定是对句子的语义进行编码，而不是简单地记住短语到短语之间的翻译。所以我们认为这代表了网络中存在了一种国际通用语（interlingua）。
下面的动图展示了 GNMT 进行汉英翻译的过程。首先，网络将汉字（输入）编码成一串向量，每个向量代表了当前读到它那里的意思（即 e3 代表“知识就是”，e5代表“知识就是力量”）。整句话读完之后开始解码，每次生成一个作为输出的英语单词（解码器）。
要每一步生成一个翻译好的英语单词，解码器需要注意被编码中文向量的加权分布中，与生成英语单词关系最为密切的那个（上图中解码器d上面多条透明蓝线中颜色最深的那条），解码器关注越多，蓝色越深。
使用人类对比评分指标，GNMT 系统生成的翻译相比此前有了大幅提高。在几种重要语言中，GNMT将翻译错误降低了55%-58%。
就在几天前，国外研究员Smerity在他的博客上发布了一篇分析谷歌神经机器翻译（GNMT）架构的文章，在HackerNews、Reddit 等网站都引发了很多讨论。
Smerity在博文中指出，GNMT 的架构并不标准，而且在很多情况下偏离主流学术论文中提出的架构。但是，根据谷歌特定的需求，谷歌修改了系统，重点保证系统的实用性而并非追求顶尖结果。
Google的多语言神经机器翻译系统：实现 zero-shot 翻译：
最新模型对通用语言中，展示混合语言时会出现的有趣案例。
点评：Zero-Shot系统将从今天开始陆续为所有Google翻译用户提供服务。包括英文、法语、西语、葡萄牙语、中文、德语、韩文、日文和土耳其语这几种语言之间的互译。但现在编译的语言，并没有实现全部语言的普及，但在不远的将来，此系统将会普及到所有语言！小编理清了一下，希望对此行业的人有很大的帮助，谢谢阅览！
