开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何翻译德语中的"Unable to stat %s\n“？

"Unable to stat %s\n"在德语中的翻译是"Kann %s nicht staten\n"。

这个短语是一个错误消息，通常在程序中用于指示无法获取文件或目录的状态信息。它由两部分组成："Unable to stat"表示无法获取状态，"%s"是一个占位符，用于表示具体的文件或目录路径。

德语中的翻译保持了原始短语的意思和结构。"Kann"意味着"无法"，"%s"仍然是占位符，表示路径，"nicht staten"表示无法获取状态。

这个短语的翻译可以用于德语的软件开发和本地化过程中，以确保错误消息能够被德语用户正确理解。

腾讯云相关产品和产品介绍链接地址：

腾讯云计算服务：https://cloud.tencent.com/product/cvm
腾讯云对象存储：https://cloud.tencent.com/product/cos
腾讯云数据库：https://cloud.tencent.com/product/cdb
腾讯云人工智能：https://cloud.tencent.com/product/ai

相关搜索:如何证明Coq中的n+S=S (n + m)如何证明coq中的n <= n+S？如何更改`stat_n_text`函数中的值？ElasticSearch雪球过滤器中的德语‘s German2 10如何分隔n= 10 *n+ (s[i] - '0')中的数字？i18n翻译函数中的文本建议如何在vue-18n中查找丢失的翻译？如何在AEM中激活翻译(i18n)激活如何处理Angular i18n翻译中的重复文本如何使用Wireshark翻译Lua脚本中的"\r\n“字符串 React Naitve i18n，如何翻译useState()的内容？如何覆盖git pull中的stat宽度？如何翻译视频中的语音如何翻译ExtJS中的项目？在Amazon S3中自动删除超过n天的对象(如何？)LLDB中`镜像查找`的`-n`选项与`-s`选项相比是如何工作的？Angular :如何在您的存储桶S3上外包翻译？如何使用i18n在angular中翻译自定义管道？如何在没有钩子的React中使用翻译i18n？js文件中的Vue-i18n翻译，而不是json

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

[PVE]一则pve日志误报的临时处理

今天翻了一个PVE集群的日志，发现一个持续报错，单一错误居然把/var/log/syslog撑到了600M，主要就一个错误

03

不用看数学公式！图解谷歌神经机器翻译核心部分：注意力机制

注意力（Attention）机制，是神经机器翻译模型中非常重要的一环，直接影响了翻译的准确度与否。

03

论机器翻译之浅薄

翻译 | shawn 编辑 | 波波、费棋【AI科技大本营导读】尽管机器翻译明显玩不转备受期待的长篇内容，但我们得承认，在快速获知单词含义层面，它确实为人们提供了一定便利。可奇怪的是，无论媒体报道还是行业中都似乎营造了一种机器翻译马上要取代人类译者的气氛，这给了人们一种快要成了的错觉。有人要揭开盲目乐观的面纱，因《哥德尔、埃舍尔、巴赫》一书而获得普利策奖的美国学者侯世达是其中之一。他以自己亲身体验 Google 翻译的经历指出，翻译软件目前是只知其形，还不解其意。进一步说，机器翻译要想替代人类，不

06

重磅 | Facebook提出全新CNN机器翻译：准确度超越谷歌而且还快九倍（已开源）

选自code.facebook 作者：Jonas Gehring、Michael Auli、David Grangier、Denis Yarats、Yann N. Dauphin 机器之心编译参与：吴攀、微胖、蒋思源去年谷歌在机器翻译上取得了连续不断的突破，参阅《重磅 | 谷歌翻译整合神经网络：机器翻译实现颠覆性突破》和《重磅 | 谷歌神经机器翻译再突破：实现高质量多语言翻译和 zero-shot 翻译》。谷歌的方法用到了文本处理惯用的循环神经网络。近日，Facebook 也宣布在神经机器翻译上取得了

08

Mistral-Medium意外泄露？冲上榜单的这个神秘模型让AI社区讨论爆了

「我现在 100% 确信 Miqu 与 Perplexity Labs 上的 Mistral-Medium 是同一个模型。」

01

Facebook开源PyTorch版本fairseq翻译模型，训练速度提高50%

【新智元导读】FAIR的开源序列到序列（sequence-to-sequence）引擎现在可以在PyTorch使用了。FAIR今天发布了fairseq-py，这是一个用PyTorch实现的卷积seq2seq模型。fairseq-py是语言翻译以及其他 seq2seq 的NLP任务的一个很好的模型，新的工具包比以前的更高效率：生成翻译的速度比以前的提高了80%，训练速度提高了50%。今年5月10日，Facebook AI 研究实验室（FAIR）发布了一项使用创新性的、基于卷积神经网络的方法来进行语言翻译的最

python调用谷歌翻译

在平时使用谷歌翻译的过程中，经常会遇到需要批量翻译大量文本的情景，这种时候需要调用谷歌翻译的API

02

调用谷歌翻译接口_api如何调用

在平时使用谷歌翻译的过程中，经常会遇到需要批量翻译大量文本的情景，这种时候需要调用谷歌翻译的API

02

libmad学习进阶4 -----基于atlas音频驱动架构的MP3播放器

/*modify by hfl 20140216*/ #define ALSA_PCM_NEW_HW_PARAMS_API # include <stdio.h> # include <unistd.h> # include <sys/stat.h> # include <sys/mman.h> # include "mad.h" #include<sys/types.h> #include<sys/stat.h> #include<fcntl.h> #include<stdlib.h> #include <sys/ioctl.h> #include <sys/soundcard.h> #include <alsa/asoundlib.h> /* * This is perhaps the simplest example use of the MAD high-level API. * Standard input is mapped into memory via mmap(), then the high-level API * is invoked with three callbacks: input, output, and error. The output * callback converts MAD's high-resolution PCM samples to 16 bits, then * writes them to standard output in little-endian, stereo-interleaved * format. */ //#define printf static Get_file_length(char *PATH); static int init_dsp(); static int Uninit_dsp(); static int decode(unsigned char const *, unsigned long); static enum mad_flow outputplay(void *data, struct mad_header const *header, struct mad_pcm *pcm); int main(int argc, char *argv[]) { printf("The main is start!\n"); struct stat stat; void *fdm; int fd; //char buffer1[80000]; printf("###The input file is %s ! the arc=%d###\n",argv[1],argc); if (argc == 1) { printf("The argc is wrong!\n"); return 1; } #if 0 if (fstat(STDIN_FILENO, &stat) == -1 || stat.st_size == 0) return 2; #endif fd =open(argv[1],O_RDWR); if(-1==fd) { printf("sorry,The file open is faild!\n"); } else { printf("The file open is sucessed!\n"); } //read(fd,buffer1,sizeof(buffer1)); //printf("%s", buffer1); stat.st_size = Get_file_length(argv[1]); printf("The file size is %d\n",stat.st_size ); printf("The Map is begin ok!\n"); fdm = mmap(0, stat.st_size, PROT_READ, MAP_SHARED, fd, 0); if (fdm == MAP_FAILED) { printf("mmap is failed\n"); return 3; } decode(fdm, stat.st_size); if (munmap(fdm, stat.st

02

面向Java开发者的ChatGPT提示词工程（9）

大型语言模型非常擅长将输入转换为不同的格式，例如输入一段文本，将其转换或翻译成另一种语言，或帮助拼写和语法纠正。

06

国密SSL协议之C语言编程

OpenSSL支持标准的SSL协议，但并不支持国密SSL协议。本文描述了C语言使用国密版OpenSSL开发一个简单的客户端程序，连接国密Web网站，发送HTTP请求，并接收HTTP应答。

05

Transformer：隐藏的机器翻译高手，效果赶超经典 LSTM！

AI 科技评论按：在自然语言处理任务中，循环神经网络是一种常见的方法，但近来，一种只依赖于注意力机制的特定神经网络模型已被证明它对于常见的自然语言处理任务的效果甚至优于循环神经网络模型，这个模型被称为变换器（Transformer）。同时，数据科学家 Maxime Allard 发表了相应的文章对变换器的原理机制作了介绍与讲解，并用相应的实验帮助大家更好的理解这种神经网络模型，AI 科技评论将其编译如下。

03

利用RNN训练Seq2Seq已经成为过去，CNN才是未来？

翻译 | AI科技大本营（rgznai100）参与 | Shawn、周翔当前 seq2seq （序列到序列）学习惯用的方法是，借助 RNN（循环神经网络）将输入序列转变为变长输出序列（variable length output sequence），而 FAIR （Facebook AI Research）则提出了一种完全基于 CNN （卷积神经网络）的架构。相比循环模型，其训练过程中所有元素的计算都可以完全并行化，GPU 硬件的性能可以得到更好的利用；而且，由于非线性的数量是固定的并且不受输入

07

k8s常见报错解决--持续更新

背景：node 节点 kubeadm reset 后重新kubeadm join失败

利用 RNN 训练 Seq2Seq 已经成为过去，CNN 才是未来？

本文介绍了一种用于对话的摘要生成方法，该方法利用强化学习从原始对话中提取关键信息并生成简洁的摘要。首先，通过编码器将原始对话转换为向量表示，然后使用解码器生成摘要。在训练过程中，使用强化学习中的策略网络来评估解码器生成的摘要的奖励，以优化摘要的生成。实验结果表明，该方法能够有效地从原始对话中提取关键信息并生成简洁的摘要，同时具有良好的泛化能力。

00

斯坦福NLP课程 | 第20讲 - NLP与深度学习的未来

ShowMeAI为斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件，做了中文翻译和注释，并制作成了GIF动图！视频和课件等资料的获取方式见文末。

04

神经机器翻译与代码（下）

该数据集可以从ManyThings.org网站获得，其中的示例来自Tatoeba项目。数据集由德语和英语单词组成，打算与Anki flashcard软件一起使用。

02

跨语言版BERT：Facebook提出跨语言预训练模型XLM

项目地址：https://github.com/facebookresearch/XLM

04

业界 | 谷歌全新神经网络架构Transformer：基于自注意力机制，擅长自然语言理解

选自Google Research Blog 机器之心编译参与：路雪、黄小天、蒋思源近日，继论文《Attention Is All You Need》之后，谷歌在研究博客撰文对 Transformer 作了更详细的介绍。Transformer 是一个基于自注意力机制的全新神经网络架构，擅长处理语言理解任务，所需算力更少，进而把训练速度提升了一个数量级。此外，谷歌认为 Transformer 潜力巨大，它已被用于自然语言处理之外的图像和视频处理任务。神经网络，尤其是循环神经网络（RNN），目前是处理自然

07

SAP 语言码转换

SAP 中可以根据透明表T002查到如下信息：语言代码语种规格语言翻译程度语言ISO 语言 0 S 0 SR 塞尔维亚语 1 D 0 ZH 中文 2 M 0 TH 泰语 3 D 0 KO 韩语 4 S 0 RO 罗马尼亚语 5 S 0 SL 斯洛文尼亚语 6 S 0 HR 克罗地亚语 7 S 4 MS 马来语 8 S 0 UK 乌克兰语 9 S 0 ET 爱沙尼亚语 A L 0 AR 阿拉伯语 B L 0 HE 西伯来文 C S 4 CS 捷克语 D S 1 DE 德语 E S 1 EN 英语 F

02

在PyTorch中使用Seq2Seq构建的神经机器翻译模型

在这篇文章中，我们将构建一个基于LSTM的Seq2Seq模型，使用编码器-解码器架构进行机器翻译。

01

图解神经机器翻译中的注意力机制

几十年来，统计机器翻译在翻译模型中一直占主导地位 [9]，直到神经机器翻译（NMT）出现。NMT 是一种新兴的机器翻译方法，它试图构建和训练单个大型神经网络，该网络读取输入文本并输出译文 [1]。

02

想在PyTorch里训练BERT，请试试Facebook跨语言模型XLM

今年2月，Facebook发表了论文《Cross-lingual Language Model Pretraining》，这篇论文提出了基于BERT优化的跨语言模型XLM，它刚刚出生就在两项机器翻译任务上取得了巨大进步。

02

如何在 Keras 中从零开始开发一个神经机器翻译系统？

机器翻译是一项具有挑战性的任务，包含一些使用高度复杂的语言知识开发的大型统计模型。神经机器翻译的工作原理是——利用深层神经网络来解决机器翻译问题。在本教程中，你将了解如何开发一个神经机器翻译系统，

SQL排序（一）

排序规则指定值的排序和比较方式，并且是InterSystems SQL和InterSystemsIRIS®数据平台对象的一部分。有两种基本排序规则：数字和字符串。

02

深度 | Facebook翻译错误导致一名建筑工人被抓，机器翻译到底有多脆弱？

这是最近几年非常流行的一个句子，试试看能不能读懂—— “Aoccdrnig to a rscheearch at Cmabrigde Uinervtisy, it deosn’t mttaer in waht oredr the ltteers in a wrod are, the olny iprmoetnt tihng is taht the frist and lsat ltteer be at the rghit pclae.” 虽然大部分单词都是拼写错误的，但似乎并不会影响我们理解它的意思。

05

基于神经标签搜索，中科院&微软亚研零样本多语言抽取式摘要入选ACL 2022

来源：机器之心本文约2500字，建议阅读5分钟本文介绍了基于神经标签搜索情况下，中科院和微软亚研的实验进展。这项研究旨在解决零样本下法语、德语、西班牙语、俄语和土耳其语等多语种的抽取式摘要任务，并在多语言摘要数据集 MLSUM 上大幅提升了基线模型的分数。抽取式文本摘要目前在英文上已经取得了很好的性能，这主要得益于大规模预训练语言模型和丰富的标注语料。但是对于其他小语种语言，目前很难得到大规模的标注数据。中国科学院信息工程研究所和微软亚洲研究院联合提出一种是基于 Zero-Shot 的多语言抽取式文本

02

基于神经标签搜索，中科院&微软亚研零样本多语言抽取式摘要入选ACL 2022

机器之心专栏机器之心编辑部这项研究旨在解决零样本下法语、德语、西班牙语、俄语和土耳其语等多语种的抽取式摘要任务，并在多语言摘要数据集 MLSUM 上大幅提升了基线模型的分数。抽取式文本摘要目前在英文上已经取得了很好的性能，这主要得益于大规模预训练语言模型和丰富的标注语料。但是对于其他小语种语言，目前很难得到大规模的标注数据。中国科学院信息工程研究所和微软亚洲研究院联合提出一种是基于 Zero-Shot 的多语言抽取式文本摘要模型。具体方法是使用在英文上预训练好的抽取式文本摘要模型来在其他低资源语言上

02

Git提交之后自动打版本并钉钉通知

post-receive是在提交代码到服务器之后自动执行然后进入/www/wwwroot/hook.com/git/test.git/hooks

03

独家 | 由第一原理导出卷积

TLDR：你有没有想过卷积有什么特别之处？在这篇文章中，我从第一原理中推导出卷积，并展示它的平移对称性。

02

ChatGPT学习之旅 (7) 参数化表达的魔力

通过人设模版可以有效给AI”洗脑“，这体现的是结构化的表达。但想要AI实现精准控制多分支，实现千人千面的功能，就得使用参数化表达了。

01

多图+公式全面解析RNN,LSTM,Seq2Seq,Attention注意力机制

我们知道人类并不是从零开始思考东西，就像你读这篇文章的时候，你对每个字的理解都是建立在前几个字上面。你读完每个字后并不是直接丢弃然后又从零开始读下一个字，因为你的思想是具有持续性的，很多东西你要通过上下文才能理解。

02

神经机器翻译数据集WMT预处理流程简介

神经机器翻译（Neural Machine Translation，NMT）借助深度神经网络对不同语言的文本进行翻译，本文主要介绍机器翻译数据集WMT16 en-de的预处理过程。

02

对抗神经机器翻译：GAN＋NMT 模型，中国研究者显著提升机翻质量

【新智元导读】中山大学、中国科技大学、微软亚洲研究院与广东省信息安全技术重点实验室合作，提出了一种新的“对抗神经机器翻译”（Adversarial-NMT）模型。他们改变了原有 NMT 将机器翻译与人类翻译可能性最大化的训练目标，将模型翻译结果与人类翻译的差距最小化。测试结果表明，对抗 NMT 在几个强大的基准上都显著提升了翻译质量。今天介绍的是中山大学、中国科技大学、微软亚洲研究院与广东省信息安全技术重点实验室合作完成的一项研究。第一作者 Lijun Wu 来自中山大学数据与计算机科学学院，二作

python爬取网易云音乐并分析：用户有什么样的音乐偏好？

发现自己有时候比挖掘别人来的更加有意义，自己到底喜欢谁的歌，自己真的知道么？习惯不会骗你。搭建爬虫环境 1.安装selenium pip install selenium # anaconda环境的可用conda install selenium # 网速不好的可用到https://pypi.python.org/pypi/selenium下载压缩包，解压后使用python setup.py install 2.安装Phantomjs Mac版本步骤一下载包：去这里下载对应版本http://pha

09

针对语言翻译系统的数据投毒攻击

随着现代神经机器翻译 (NMT，neural machine translation) 系统的广泛部署，它们的安全漏洞需要仔细审查。最近发现 NMT 系统容易受到有针对性的攻击，导致它们产生特定的、未经请求的甚至有害的翻译。这些攻击通常在白盒设置中被利用，在这种情况下，已知目标系统会发现导致目标翻译的对抗性输入。然而，当目标系统是黑盒并且攻击者不知道时（例如，安全的商业系统），这种方法不太可行。在本文中展示了基于毒化一小部分并行训练数据的对黑盒 NMT 系统针对性攻击是可行的。表明这种攻击实际上可以通过有针对性地破坏为形成系统训练数据而爬取的网络文档来实现，然后分析了在两种常见 NMT 训练场景中靶向投毒的有效性：from-scratch训练和预训练和微调范式。结果令人震惊：即使在使用海量并行数据（数千万）训练的最先进系统上，在令人惊讶的低投毒预算（例如，0.006%）下，攻击仍然成功（超过 50% 的成功率）。最后，讨论了应对此类攻击的潜在防御措施。

05

ACL2022 | 基于神经标签搜索的零样本多语言抽取式文本摘要

每天给你送来NLP技术干货！ ---- ©作者 | 机器之心编辑部来源 | 机器之心这项研究旨在解决零样本下法语、德语、西班牙语、俄语和土耳其语等多语种的抽取式摘要任务，并在多语言摘要数据集 MLSUM 上大幅提升了基线模型的分数。抽取式文本摘要目前在英文上已经取得了很好的性能，这主要得益于大规模预训练语言模型和丰富的标注语料。但是对于其他小语种语言，目前很难得到大规模的标注数据。中国科学院信息工程研究所和微软亚洲研究院联合提出一种是基于 Zero-Shot 的多语言抽取式文本摘要模型。具体方法是使

02

学界 | 对比神经机器翻译和统计机器翻译：NMT的六大挑战

选自medium 作者：Ozan Çağlayan 机器之心编译参与：蒋思源、Smith 本文总结了最近发表的论文「神经机器翻译的六大挑战（Six Challenges for Neural Machine Translation）」，并希望读者能看到神经机器翻译的不足和未来的发展方向。该论文论述的神经机器翻译（NMT）六大挑战：领域误匹配、训练数据的总量、生僻词、长句子、词对齐和束搜索（beam search）。 Nematus 和 Moses 都是使用 WMT 和 OPUS 数据集训练 NMT 和

08

NLP系列笔记-机器翻译之Sequence-to-Sequence模型

假设我们需要把英语翻译成德语，那么我们首先要做的是对不同语种做tokenization（分词）。常用的分词做法是以“词”为单位，这里为方便介绍，就以字符为单位：

02

NLP重磅！谷歌、Facebook新研究：2.26亿合成数据训练神经机器翻译创最优！

机器翻译依赖于大型平行语料库，即源语和目的语中成对句子的数据集。但是，双语语料是十分有限的，而单语语料更容易获得。传统上，单语语料被用于训练语言模型，大大提高了统计机器翻译的流畅性。

02

谷歌开放GNMT教程：如何使用TensorFlow构建自己的神经机器翻译系统

选自谷歌机器之心编译参与：机器之心编辑部近日，谷歌官方在 Github 开放了一份神经机器翻译教程，该教程从基本概念实现开始，首先搭建了一个简单的NMT模型，随后更进一步引进注意力机制和多层 LSTM 加强系统的性能，最后谷歌根据 GNMT 提供了更进一步改进的技巧和细节，这些技巧能令该NMT系统达到极其高的精度。机器之心对该教程进行简要的描述，跟详细和精确的内容请查看项目原网站。 GitHub 链接：https://github.com/tensorflow/nmt 机器翻译，即跨语言间的自动翻译，

06

专访 | 监管机器翻译质量？且看阿里如何搭建翻译质量评估模型

阿里机器翻译团队在本次比赛中，参加了英语到德语和德语到英语两个语向的句子级别和词级别的七项质量评估任务，收获了六项世界冠军。其中，德语到英语的统计机器翻译评估任务中（German-English SMT)，句子级别和词级别的预测任务分别取得第一名；英语到德语的统计机器翻译评估任务中 (English-German SMT)，句子级别取得第一名，词级别的词预测和漏词预测分别取得第一名。同时，英语到德语的神经网络机器翻译评估任务中 (English-German NMT)，词级别的词预测取得第一名。

01

孪生网络：使用双头神经网络进行元学习

自我监督学习的研究正在发展，以开发完全不需要标签的结构（在训练数据本身中巧妙地找到标签），但其用例却受到限制。

03

使用🤗Transformers进行NLP的数据增广的4种常用方法

这是我觉得最有趣的技术，这种方式首先使用模型将句子转换为不同的语言，然后将其转换回目标语言。当我们为此使用 ML 模型时，它会生成与原始句子相同但单词不同的句子。Huggingface 的模型中心提供了各种预训练模型，例如 Google T5、Facebook NMT（神经机器翻译）等。在下面的代码中，我使用 T5-base 进行英语到德语的翻译，然后使用 Bert2Bert 模型进行德语到英语的翻译 . 我们还可以使用 Fairseq 模型，这些模型可用于英语到德语和德语到英语。

02

深度 | 神奇的神经机器翻译：从发展脉络到未来前景（附论文资源）

机器之心（海外）原创作者：Mos Zhang 参与：Panda 机器翻译（MT）是借机器之力「自动地将一种自然语言文本（源语言）翻译成另一种自然语言文本（目标语言）」[1]。使用机器做翻译的思想最早由 Warren Weaver 于 1949 年提出。在很长一段时间里（20 世纪 50 年代到 80 年代），机器翻译都是通过研究源语言与目标语言的语言学信息来做的，也就是基于词典和语法生成翻译，这被称为基于规则的机器翻译（RBMT）。随着统计学的发展，研究者开始将统计模型应用于机器翻译，这种方法是基于对双语

05

AAAI 2020 | 邵晨泽：非自回归机器翻译，基于n元组的训练目标（视频解读）

本文是对计算所冯洋组和腾讯微信AI团队共同完成，被 AAAI2020 录用的论文《Minimizing the Bag-of-Ngrams Difference for Non-Autoregressive Neural Machine Translation》进行解读，相关工作已开源。

01

学界 | 无监督神经机器翻译：仅需使用单语语料库

选自arXiv 机器之心编译参与：路雪、李泽南、蒋思源神经机器翻译近期取得很大成功，但缺乏双语数据的语言对很难基于现有方式训练出好的机翻系统。近日，有研究者提出一种无监督新方法，无需使用平行语料库

08

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭