# तंत्रिका मशीन अनुवाद वास्तव में काम करता है: एक डेवलपर का गाइड

<datetime class="hidden">2025-11-09T14:30</datetime>

<!--category-- Neural Machine Translation, Machine Learning, AI, EasyNMT, Deep Learning, AI-Article -->
## परिचय

यदि आप इस ब्लॉग का अनुसरण कर रहे हैं, तो आप जानते हैं कि मैं मशीन अनुवाद के साथ पागल हूँ।[मैं के बारे में लिखा है](/blog/autotranslatingmarkdownfiles), [आसानMटी का प्रयोग कर रहा है](/blog/backgroundtranslationspt1)पृष्ठभूमि अनुवाद सेवाएँ बनाएं[, और भी](/blog/mostlylucid-nmt-complete-guide)आसान सुधार**लेकिन मुझे एहसास हुआ कि मैं वास्तव में कभी नहीं समझाया है

> कैसे

तंत्रिका मशीन अनुवाद हुड के नीचे काम करता है.

ध्यान दीजिए: यह एआई / एक तरीका है जो कि $००,००० के साथ मेरे परीक्षणों का हिस्सा है।

- मैंने इसे काग़ज़ों की एक बेल भरी है, मेरी समझ, सवाल मैं इस लेख तैयार करने के लिए किया था.
- यह मजेदार है और मैं कहीं और नहीं भरा एक अंतर भर देता है.
- तो चलो कि तय करते हैं!
- यह पोस्ट आप के लिए जादू है" के लिए "टेलनेशन चतुर गणित" के लिए ले जाएगा स्पष्ट अंग्रेज़ी में तंत्रिका मशीन अनुवाद के पीछे की प्रमुख धारणाओं को समझाने के द्वारा (बहुत सारे डायग्रामों और C# कोड के साथ)।
- इस पोस्ट के अंत तक, आप समझ जाएगा:

कृत्रिम तंत्रिका नेटवर्क क्या हैं और कैसे वे सीख रहे हैं

[TOC]

## शब्द संख्या कैसे बन जाते हैं (शेलिंग्स)

क्या "सामान्यता" का अर्थ है एआई (प्रयोगक: यह ध्यान देने के बारे में नहीं है)

```mermaid
graph LR
    A[Source Sentence] --> B[Convert to Numbers]
    B --> C[Neural Network Processing]
    C --> D[Convert to Words]
    D --> E[Translated Sentence]

```

एनकोडर- टोनर डिजाइन कैसे काम करता है

## विश्‍व - भर में रूपांतरण करनेवालों ने क्यों विश्‍व पर कब्ज़ा किया

आप एक गणित व्यक्ति नहीं कर रहे हैं अगर चिंता मत करो - मैं इसे व्यावहारिक और दृश्य के रूप में संभव रूप से रखना होगा.

### चलो आगे बढ़ें!

कोर इडिना: यह अनुवाद नंबर क्रिंग के रूप में किया गया है

1. यहाँ पहली दिमागी धारणा है: तंत्रिका मशीन अनुवाद सिर्फ गणितीय प्रक्रिया के रूप में अनुवाद करता है.
2. आप वाक्य में फ़ीड खाते हैं, तंत्र इसे संख्या में परिवर्तित करता है, करोड़ों गणितीय आपरेशनों को पूरा करता है, और अनुवाद को रद्द कर देता है.
3. लेकिन रुको - आप शब्दों को संख्या में कैसे परिवर्तित करते हैं?
4. और गणित "धर्म" भाषा कैसे बनता है?

निर्माण ब्लॉक के साथ शुरू करते हैं.

```mermaid
graph LR
    I1[Input 1] -->|weight: 0.8| N[Neuron]
    I2[Input 2] -->|weight: -0.3| N
    I3[Input 3] -->|weight: 0.5| N
    N --> O[Output]

    style N stroke-width:4px
```

आर्टिक न्यूक्लीयल नेटवर्क: बुनियाद

```csharp
public class Neuron
{
    private double[] weights;
    private double bias;

    public double Activate(double[] inputs)
    {
        // Step 1: Multiply each input by its weight and sum them
        double sum = bias;
        for (int i = 0; i < inputs.Length; i++)
        {
            sum += inputs[i] * weights[i];
        }

        // Step 2: Apply activation function (tanh keeps values between -1 and 1)
        return Math.Tanh(sum);
    }
}
```

तंत्रिका मशीन अनुवाद को समझने से पहले, हमें कृत्रिम तंत्रिका संजाल को समझने की ज़रूरत है.`Math.Tanh`फैंसी नाम के बावजूद, वे वास्तव में अपने कोर पर बहुत सरल कर रहे हैं.

### एक आर्टिक नेपेन क्या है?

कृत्रिम रसायन एक गणितीय क्रिया है कि:

```mermaid
graph LR
    subgraph Input Layer
        I1[Input 1]
        I2[Input 2]
        I3[Input 3]
    end

    subgraph Hidden Layer 1
        H1[Neuron 1]
        H2[Neuron 2]
        H3[Neuron 3]
        H4[Neuron 4]
    end

    subgraph Hidden Layer 2
        H5[Neuron 5]
        H6[Neuron 6]
        H7[Neuron 7]
    end

    subgraph Output Layer
        O1[Output 1]
        O2[Output 2]
    end

    I1 --> H1 & H2 & H3 & H4
    I2 --> H1 & H2 & H3 & H4
    I3 --> H1 & H2 & H3 & H4

    H1 --> H5 & H6 & H7
    H2 --> H5 & H6 & H7
    H3 --> H5 & H6 & H7
    H4 --> H5 & H6 & H7

    H5 --> O1 & O2
    H6 --> O1 & O2
    H7 --> O1 & O2
```

बहुत से इनपुट को रखता है

- भार से प्रत्येक इनपुट (यह इनपुट कितना महत्त्वपूर्ण है?)
- इन सभी को जोड़ता है
- एक आउटपुट बनाने के लिए एक "अनुप्रयोग" फ़ंक्शन

### यहाँ एक दृश्य प्रतिनिधित्व है:

के कुछ C# कोड के साथ यह ठोस बनाने के लिए:

```mermaid
graph TD
    A[Start with Random Weights] --> B[Feed in Training Example]
    B --> C[Network Makes Prediction]
    C --> D{Is Prediction Correct?}
    D -->|No| E[Calculate Error]
    E --> F[Adjust Weights Slightly]
    F --> B
    D -->|Yes| G[Try Next Example]
    G --> B

    style E stroke-width:2px
    style F stroke-width:2px
```

सक्रिय फ़ंक्शन (इस मामले में)**) क्या तंत्रिका नेटवर्क दिलचस्प बनाता है.**यह गैर- लाइन का परिचय करता है, जटिल पैटर्न सीखने के लिए नेटवर्क को खोजने की अनुमति देता है.

इसके बिना, कोई बात नहीं कि आप एक साथ इकट्ठा कितने तंत्रिकाओं, आप सिर्फ एक फैंसी लीनियर फ़ंक्शन होगा.

```csharp
public class SimpleNeuralNetwork
{
    private double learningRate = 0.01;
    private Neuron[] neurons;

    public void Train(TrainingExample[] examples, int epochs)
    {
        for (int epoch = 0; epoch < epochs; epoch++)
        {
            foreach (var example in examples)
            {
                // Forward pass: make a prediction
                double prediction = Predict(example.Input);

                // Calculate error
                double error = example.ExpectedOutput - prediction;

                // Backward pass: adjust weights
                // (simplified - real networks use backpropagation)
                AdjustWeights(error * learningRate);
            }
        }
    }
}
```

नेटवर्क से**जादू जब आप हजारों या लाखों कोशिकाओं को परतों में एक साथ कनेक्ट होता है:**प्रत्येक परत इनपुट का प्रतिरूप "सही" है, और अधिक जटिल पैटर्न निकाल रहे हैं।

## अनुवाद में:

आरंभिक परतों का पता लगाया जा सकता है "यह एक क्रिया है" या "यह शब्द पुराना है"

### मध्य परतों "यह एक सवाल है" या "यह मौसम के बारे में है" पता लगाया जा सकता है

बाद की परतों में इन्हें "चकण" में शामिल किया जा रहा है कल के मौसम के बारे में एक औपचारिक सवाल के रूप में"

```csharp
// Don't do this!
var wordToNumber = new Dictionary<string, int>
{
    {"cat", 1},
    {"dog", 2},
    {"king", 3},
    {"queen", 4},
    {"man", 5},
    {"woman", 6}
};
```

नेटवर्क कैसे सीखें: प्रशिक्षण प्रक्रिया

### यहाँ चतुर हिस्सा है। हम उन सभी वजनों को दस्ती रूप से सेट नहीं करते।

नेटवर्क उन्हें उदाहरणों से सीखते हैं!**इस प्रक्रिया को काल किया जाएगा**अनुपात चार्ट

```csharp
public class WordEmbedding
{
    // Each word is represented by a vector of floats
    private Dictionary<string, float[]> embeddings;

    public float[] GetEmbedding(string word)
    {
        return embeddings[word]; // e.g., [0.2, -0.5, 0.8, 0.1, ...]
    }

    // Calculate similarity between two words
    public double Similarity(string word1, string word2)
    {
        var vec1 = GetEmbedding(word1);
        var vec2 = GetEmbedding(word2);

        // Cosine similarity: how "aligned" are the vectors?
        return CosineSimilarity(vec1, vec2);
    }

    private double CosineSimilarity(float[] a, float[] b)
    {
        double dot = 0, magA = 0, magB = 0;
        for (int i = 0; i < a.Length; i++)
        {
            dot += a[i] * b[i];
            magA += a[i] * a[i];
            magB += b[i] * b[i];
        }
        return dot / (Math.Sqrt(magA) * Math.Sqrt(magB));
    }
}
```



```mermaid
graph TD
    subgraph "2D Projection of 300D Space"
        King[King<br/>0.8, 0.6]
        Queen[Queen<br/>0.75, 0.55]
        Man[Man<br/>0.3, 0.2]
        Woman[Woman<br/>0.25, 0.15]
        Dog[Dog<br/>-0.6, 0.4]
        Cat[Cat<br/>-0.65, 0.38]
    end

    King -.similar.-> Queen
    Man -.similar.-> Woman
    Dog -.similar.-> Cat
    King -.same vector.-> Man
    Queen -.same vector.-> Woman
```

प्रत्येक गलत जवाब के लिए, नेटवर्क आंकड़े बाहर "कौन वज़न इस त्रुटि के लिए सबसे जिम्मेदार थे?" और उन्हें थोड़ा कमजोर करता है।`king - man + woman ≈ queen`

```csharp
public float[] AnalogicalReasoning(string a, string b, string c)
{
    // king - man + woman = ?
    var vecA = GetEmbedding(a); // king
    var vecB = GetEmbedding(b); // man
    var vecC = GetEmbedding(c); // woman

    var result = new float[vecA.Length];
    for (int i = 0; i < vecA.Length; i++)
    {
        result[i] = vecA[i] - vecB[i] + vecC[i];
    }

    // Find the word closest to this vector
    return FindClosestWord(result); // Should return "queen"
}
```

### मिसालों को देखने के बाद, वज़न को अच्छी तरह से मूल्यों में डाल दिया जाता है ।

यहाँ C# में एक सरल संस्करण है:

```mermaid
graph LR
    A["The cat sat on the mat"] --> B[Train Neural Network]
    B --> C["cat → [0.1, 0.5, -0.3, ...]"]
    B --> D["sat → [0.2, -0.1, 0.4, ...]"]
    B --> E["mat → [0.15, 0.45, -0.25, ...]"]

```

वास्तविक तंत्रिका नेटवर्क एक अधिक जटिल एल्गोरिथ्म का उपयोग करते हैं जो कहा जाता है

## बैकअप

लेकिन यह सिद्धांत वही है: गलतियों से सबक सीखिए ।

```mermaid
graph TD
    subgraph English
        E1[The]
        E2[cat]
        E3[sat]
        E4[on]
        E5[the]
        E6[mat]
    end

    subgraph French
        F1[Le]
        F2[chat]
        F3[s'est assis]
        F4[sur]
        F5[le]
        F6[tapis]
    end

    E2 -. focus 90% .-> F2
    E3 -. focus 70% .-> F3
    E4 -. focus 80% .-> F4
    E6 -. focus 85% .-> F6
    E1 -. focus 30% .-> F1
```

**शब्द एम्बेडिंग: भाषा को गणित में लागू किया जा सकता है**अब हम अपनी पहली बड़ी चुनौती पर गौर करते हैं: हम शब्दों को एक तंत्रिका नेटवर्क में कैसे भरते हैं?

### हम पाठ को संख्या में परिवर्तित करने की जरूरत है.

एक-Hin एनकोडिंग के साथ समस्या

```csharp
public class AttentionMechanism
{
    // Calculate attention weights for each source word
    public double[] CalculateAttention(
        float[] currentTargetState,     // Where we are in translation
        float[][] sourceWordStates)     // All source words
    {
        int sourceLength = sourceWordStates.Length;
        double[] scores = new double[sourceLength];

        // Step 1: Calculate relevance scores
        for (int i = 0; i < sourceLength; i++)
        {
            scores[i] = DotProduct(currentTargetState, sourceWordStates[i]);
        }

        // Step 2: Convert to probabilities (softmax)
        return Softmax(scores);
    }

    public float[] ApplyAttention(
        double[] attentionWeights,
        float[][] sourceWordStates)
    {
        // Create weighted average of source words
        int dim = sourceWordStates[0].Length;
        float[] result = new float[dim];

        for (int i = 0; i < sourceWordStates.Length; i++)
        {
            for (int j = 0; j < dim; j++)
            {
                result[j] += (float)(attentionWeights[i] * sourceWordStates[i][j]);
            }
        }

        return result;
    }

    private double[] Softmax(double[] scores)
    {
        double[] result = new double[scores.Length];
        double sum = 0;

        for (int i = 0; i < scores.Length; i++)
        {
            result[i] = Math.Exp(scores[i]);
            sum += result[i];
        }

        for (int i = 0; i < scores.Length; i++)
        {
            result[i] /= sum;
        }

        return result;
    }

    private double DotProduct(float[] a, float[] b)
    {
        double sum = 0;
        for (int i = 0; i < a.Length; i++)
        {
            sum += a[i] * b[i];
        }
        return sum;
    }
}
```

बेवकूफ तरीका है "एक-टोन एनकोडिंग" - प्रत्येक शब्द को एक अद्वितीय संख्या नियत करें:

1. लेकिन यह एक बहुत बड़ी समस्या है: संख्या बेईमानी कर रहे हैं.
2. नेटवर्क यह नहीं बता सकता है कि "कैंट" और "कैंट" जैसे हैं "क" और "क"।
3. संख्या 1 और 2 कुछ भी मतलब नहीं है.
4. समाधान: शब्द लागू होता है

### इसके बजाय, हम हर शब्द को एक के रूप में चित्रित करते हैं

सदिश

```mermaid
graph TD
    subgraph "English (Source)"
        E1[The]
        E2[agreement]
        E3[on]
        E4[the]
        E5[European]
        E6[Economic]
        E7[Area]
    end

    subgraph "German (Target)"
        G1[Das]
        G2[Abkommen]
        G3[über]
        G4[den]
        G5[Europäischen]
    end

    E1 -->|0.8| G1
    E2 -->|0.9| G2
    E3 -->|0.6| G3
    E4 -->|0.3| G3
    E5 -->|0.85| G5
    E6 -->|0.7| G5

```

संख्या, आमतौर पर 300-1000 आयाम की.

### समान शब्द समान सदिश मिलता है:

यहाँ क्या है जादुई जादू - वे निरंतर रिश्ता धारण करते हैं:**प्रसिद्ध उदाहरण:**उन्‍नति करना कैसे सीखा जाता है?

```mermaid
graph LR
    subgraph "Self-Attention for 'bank'"
        B[bank]
        R[river]
        W[water]
        F[fish]
    end

    B -.high attention.-> R
    B -.high attention.-> W
    B -.medium attention.-> F

```

एक सरल कार्य पर एक तंत्रिका नेटवर्क को प्रशिक्षित करने के द्वारा सीखा जाता है: " आसपास के शब्दों का प्रतिनिधित्व करें."

## यह विचार है कि समान संदर्भों में प्रकट शब्दों का समान अर्थ होना चाहिए ।

अरबों वाक्यों को प्रशिक्षित करने के बाद, शब्दों जो समान संदर्भों के साथ अंत में दिखाई देते हैं. "Cont" और "Cet" दोनों के पास "ट" दिखाई देता है, "कोमो", "कोज़", "कोज़", तो उनका अंत एक साथ बंद हो जाता है.**ध्यान दें: खेल बदलने वाला**यहाँ एक गंभीर अन्तर्दृष्टि है: जब " बिल्ली की छाती पर बैठा हुआ है" फ्रेंच के लिए, अलग स्रोत शब्द अलग लक्ष्य शब्दों के लिए:

```mermaid
graph LR
    subgraph Encoder
        E1[Word Embeddings] --> E2[Self-Attention Layer 1]
        E2 --> E3[Self-Attention Layer 2]
        E3 --> E4[Self-Attention Layer N]
        E4 --> E5[Contextual Representations]
    end

    subgraph Decoder
        D1[Previous Translations] --> D2[Self-Attention]
        D2 --> D3[Cross-Attention to Encoder]
        D3 --> D4[Feed Forward]
        D4 --> D5[Next Word Prediction]
    end

    E5 -.provides context.-> D3

```

### ध्यान दें

एक यांत्रिकी है जो प्रत्येक आउटपुट शब्द को बनाने के दौरान नेटवर्क "फ़ॉल" को इनपुट के विभिन्न भागों पर "फ़ॉल करें" की अनुमति देता है.

```csharp
public class TransformerEncoder
{
    private WordEmbedding wordEmbedding;
    private SelfAttentionLayer[] layers;

    public float[][] Encode(string[] sourceWords)
    {
        // Step 1: Convert words to embeddings
        float[][] embeddings = sourceWords
            .Select(w => wordEmbedding.GetEmbedding(w))
            .ToArray();

        // Step 2: Add positional encoding (so network knows word order)
        float[][] withPositions = AddPositionalEncoding(embeddings);

        // Step 3: Apply multiple self-attention layers
        float[][] representations = withPositions;
        foreach (var layer in layers)
        {
            representations = layer.Forward(representations);
        }

        return representations; // Contextual representations for each word
    }

    private float[][] AddPositionalEncoding(float[][] embeddings)
    {
        // Add position-specific patterns so network knows word order
        // (transformers don't naturally understand sequence order)
        int sequenceLength = embeddings.Length;
        int embeddingDim = embeddings[0].Length;

        for (int pos = 0; pos < sequenceLength; pos++)
        {
            for (int i = 0; i < embeddingDim; i++)
            {
                double angle = pos / Math.Pow(10000, (2.0 * i) / embeddingDim);
                // Use sine for even dimensions, cosine for odd
                embeddings[pos][i] += (float)(i % 2 == 0 ? Math.Sin(angle) : Math.Cos(angle));
            }
        }

        return embeddings;
    }
}
```

ध्यान कैसे कार्य करता है

- ध्यान से सोचिए: “इस वचन का अनुवाद करने के लिए, मुझे किस स्रोत पर ध्यान देना चाहिए?
- सुनने की व्यवस्था:
- प्रत्येक स्रोत शब्द में वर्तमान लक्ष्य स्थिति की तुलना करें

### प्रत्येक स्रोत शब्द के लिए "पंक्तिें" की गणना करता है

वृद्धि में प्रतिशत बदलता है (वे योग १ से १)

```csharp
public class TransformerDecoder
{
    private WordEmbedding targetEmbedding;
    private SelfAttentionLayer[] selfAttentionLayers;
    private CrossAttentionLayer[] crossAttentionLayers;
    private FeedForwardLayer[] feedForwardLayers;

    public string[] Decode(float[][] encodedSource, int maxLength)
    {
        List<string> translation = new List<string>();
        translation.Add("<START>"); // Special token to begin

        while (translation.Count < maxLength)
        {
            // Get next word
            string nextWord = GenerateNextWord(encodedSource, translation.ToArray());

            if (nextWord == "<END>") break; // Stop token

            translation.Add(nextWord);
        }

        return translation.Skip(1).ToArray(); // Remove <START> token
    }

    private string GenerateNextWord(float[][] encodedSource, string[] partialTranslation)
    {
        // Step 1: Embed the partial translation
        float[][] targetEmbeddings = partialTranslation
            .Select(w => targetEmbedding.GetEmbedding(w))
            .ToArray();

        // Step 2: Self-attention on target words
        float[][] selfAttended = ApplySelfAttention(targetEmbeddings);

        // Step 3: Cross-attention to source (this is where translation happens!)
        float[][] crossAttended = ApplyCrossAttention(selfAttended, encodedSource);

        // Step 4: Feed forward
        float[] finalState = ApplyFeedForward(crossAttended[^1]); // Last position

        // Step 5: Predict next word
        return PredictWord(finalState);
    }

    private string PredictWord(float[] state)
    {
        // Convert state to probability distribution over all possible words
        Dictionary<string, double> wordProbabilities = CalculateWordProbabilities(state);

        // Return most likely word (or sample from distribution)
        return wordProbabilities.OrderByDescending(kv => kv.Value).First().Key;
    }
}
```

इन निर्भरताओं पर आधारित स्रोत शब्दों का परिमाण औसत बनाता है

```mermaid
sequenceDiagram
    participant Input as Source Sentence
    participant Encoder
    participant Decoder
    participant Output as Translation

    Input->>Encoder: "The cat sat"
    Encoder->>Encoder: Build representations
    Encoder->>Decoder: Encoded states

    Decoder->>Decoder: Generate [START]
    Decoder->>Output: Emit START token

    Decoder->>Decoder: Attend to "The" → Generate "Le"
    Decoder->>Output: "Le"

    Decoder->>Decoder: Attend to "cat" → Generate "chat"
    Decoder->>Output: "chat"

    Decoder->>Decoder: Attend to "sat" → Generate "s'est assis"
    Decoder->>Output: "s'est assis"

    Decoder->>Decoder: Generate [END]
    Output->>Output: "Le chat s'est assis"
```

## ध्यान दें

जब अगस्त १९९२ में यूरोपीय आर्थिक क्षेत्र पर हस्ताक्षर किया गया था, तो ध्यान इस तरह दिखता है:

1. **जब "Abammman" तैयार किया जाता है, नेटवर्क 90% ध्यान देता है "पर", 5% अन्य शब्दों में 5% वितरित करता है.**अपनी पहचान: अपने आप पर ध्यान देना
2. **आधुनिक ट्रांसमीटर उपयोग**खुद को सचेत करता है
3. **: उसी वाक्य में दिए शब्द एक - दूसरे को अच्छे प्रतिरूप बनाने के लिए आते हैं ।**"ल बैंक के पास मछलियों का दल" में, शब्द "फाइट" के लिए गंभीर रूप से उपस्थित होता है, "माइट", "मछली" और "जल" नेटवर्क को समझने में मदद करता है इसका अर्थ है "राइट" वर्ग नहीं है।

```csharp
public class TranslationTrainer
{
    private TransformerEncoder encoder;
    private TransformerDecoder decoder;
    private double learningRate = 0.0001;

    public void Train(ParallelCorpus corpus, int epochs)
    {
        foreach (var epoch in Enumerable.Range(0, epochs))
        {
            double totalLoss = 0;
            int batchCount = 0;

            foreach (var batch in corpus.GetBatches(batchSize: 32))
            {
                // Forward pass
                var predictions = new List<string[]>();
                var losses = new List<double>();

                foreach (var pair in batch)
                {
                    // Encode source
                    var encoded = encoder.Encode(pair.Source);

                    // Try to decode target
                    var predicted = decoder.Decode(encoded, pair.Target.Length);

                    // Calculate loss (how different is prediction from target?)
                    double loss = CalculateLoss(predicted, pair.Target);
                    losses.Add(loss);
                }

                // Backward pass: adjust weights
                double avgLoss = losses.Average();
                UpdateWeights(avgLoss);

                totalLoss += avgLoss;
                batchCount++;
            }

            Console.WriteLine($"Epoch {epoch}: Average Loss = {totalLoss / batchCount}");
        }
    }

    private double CalculateLoss(string[] predicted, string[] target)
    {
        // Cross-entropy loss: how far off were our word predictions?
        double loss = 0;

        for (int i = 0; i < Math.Min(predicted.Length, target.Length); i++)
        {
            if (predicted[i] != target[i])
            {
                loss += 1.0; // Simplified - real loss is more nuanced
            }
        }

        return loss / target.Length;
    }

    private void UpdateWeights(double loss)
    {
        // Backpropagation: adjust all weights in encoder and decoder
        // to reduce the loss (simplified here)
        // Real implementation uses automatic differentiation
    }
}
```

एनकोडर- डोदर

```mermaid
graph TD
    A[10M Sentence Pairs] --> B[Initial Random Weights]
    B --> C[Epoch 1: Loss = 5.2]
    C --> D[Epoch 2: Loss = 3.8]
    D --> E[Epoch 3: Loss = 2.1]
    E --> F[Epoch 10: Loss = 0.8]
    F --> G[Epoch 20: Loss = 0.3]
    G --> H[Trained Model!]

    style A stroke-width:2px
    style H stroke-width:4px
```

अब हम इसे सब एक साथ रख सकते हैं!

- **तंत्रिका मशीन अनुवाद एक का उपयोग करता है**एनकोडर- डोकलर
- **बिल्डिंग:**एनकोडर: स्रोत को समझना
- **एनकोडर का काम स्रोत वाक्य पढ़ने के लिए है और अमीर प्रतिनिधित्वों को निर्माण करने के लिए है:**एनकोडिंग के बाद, प्रत्येक पाठ में एक प्रतिनिधित्व है जो कैप्चर करता है:

## उसके अर्थ से

वाक्य में इसकी स्थिति (प्रचलित एनकोडिंग से)

```mermaid
graph TD
    subgraph "1. Encoding"
        A1[The] --> E1[emb: 0.2, -0.1, ...]
        A2[cat] --> E2[emb: 0.5, 0.3, ...]
        A3[sat] --> E3[emb: -0.1, 0.4, ...]
        A4[on] --> E4[emb: 0.1, -0.2, ...]
        A5[the] --> E5[emb: 0.2, -0.1, ...]
        A6[mat] --> E6[emb: 0.4, 0.2, ...]
    end

    subgraph "2. Self-Attention in Encoder"
        E1 & E2 & E3 & E4 & E5 & E6 --> SA[Self-Attention]
        SA --> C1[ctx: 0.3, 0.1, ...]
        SA --> C2[ctx: 0.6, 0.4, ...]
        SA --> C3[ctx: -0.2, 0.5, ...]
    end

    subgraph "3. Decoding"
        D1[START] --> G1[Le]
        C2 -.attend.-> G1

        G1 --> G2[chat]
        C2 -.attend.-> G2

        G2 --> G3[s'est assis]
        C3 -.attend.-> G3
    end


```

### अन्य शब्दों के साथ इसके रिश्ता ( सिरे से)

**डिकोडर: अनुवाद तैयार किया जा रहा है**

```csharp
var theEmbedding = encoder.GetEmbedding("The");
// [0.2, -0.1, 0.3, 0.05, ..., 0.1] (300 dimensions)
```

**टिकर अनुवाद एक समय में एक शब्द तैयार करता है:**

```csharp
var catEmbedding = encoder.GetEmbedding("cat");
// [0.5, 0.3, -0.2, 0.4, ..., 0.15] (300 dimensions)
```

**पूरा अनुवाद प्रक्रिया:**

```csharp
// "cat" attends to other words
var catAttention = attention.CalculateAttention(catEmbedding, allWordEmbeddings);
// [0.1, 0.3, 0.2, 0.05, 0.1, 0.25]
// High attention to "sat" (0.3) and "mat" (0.25)

var catContextual = attention.ApplyAttention(catAttention, allWordEmbeddings);
// Weighted average incorporating context
```

**अनुवाद मॉडल सिखाया जा रहा है<START>**

```csharp
var decoderState = decoder.InitialState();
```

**अनुवाद मॉडल सिखाने के लिए तीन बातें की ज़रूरत होती है:**

```csharp
// Attend to source
var sourceAttention = crossAttention.Calculate(decoderState, encodedSource);
// [0.8, 0.05, 0.05, 0.02, 0.05, 0.03]
// Strong focus on "The" (0.8)

var nextWordProbs = decoder.PredictNextWord(decoderState, sourceAttention);
// {"Le": 0.85, "La": 0.08, "Les": 0.04, ...}

var firstWord = "Le";
```

**समानांतर कोरेसिपिस**

```csharp
decoderState = decoder.UpdateState(decoderState, "Le");

var sourceAttention = crossAttention.Calculate(decoderState, encodedSource);
// [0.05, 0.9, 0.02, 0.01, 0.01, 0.01]
// Strong focus on "cat" (0.9)

var nextWordProbs = decoder.PredictNextWord(decoderState, sourceAttention);
// {"chat": 0.92, "chien": 0.03, ...}

var secondWord = "chat";
```

**: दोनों भाषाओं में लाखों वाक्य जोड़े<END>**

```
Final translation: "Le chat s'est assis sur le tapis"
```

## नुकसान फंक्शन

: "क्या गलत" हमारी भविष्यवाणी थी?

1. **ऑप्टीमाइज़ेशन**खर्च कम करने के लिए वजन समायोजित करें
2. **प्रशिक्षण डाटा व गणना की बहुत मात्रा लेता है:**राज्य मॉडल के लिए:
3. **प्रशिक्षण डाटा**: 10- 100 लाख वाक्य जोड़े

```mermaid
graph LR
    subgraph "Old: Recurrent Neural Networks"
        R1[Word 1] --> R2[Word 2]
        R2 --> R3[Word 3]
        R3 --> R4[Word 4]
    end

    subgraph "New: Transformers"
        T1[Word 1] -.attend.-> T2[Word 2]
        T1 -.attend.-> T3[Word 3]
        T1 -.attend.-> T4[Word 4]
        T2 -.attend.-> T3
        T2 -.attend.-> T4
        T3 -.attend.-> T4
    end


```

प्रशिक्षण समय

## उच्च-छोड़ी जीयूस पर 1- 4 सप्ताह

मॉडल आकार

```csharp
public class TranslationService
{
    private readonly HttpClient _httpClient;
    private readonly string _nmtServiceUrl;

    public TranslationService(HttpClient httpClient, IConfiguration config)
    {
        _httpClient = httpClient;
        _nmtServiceUrl = config["NMT:ServiceUrl"];
    }

    public async Task<TranslationResult> TranslateAsync(
        string text,
        string sourceLang,
        string targetLang)
    {
        var request = new TranslationRequest
        {
            Text = new[] { text },
            SourceLang = sourceLang,
            TargetLang = targetLang
        };

        var response = await _httpClient.PostAsJsonAsync(
            $"{_nmtServiceUrl}/translate",
            request);

        response.EnsureSuccessStatusCode();

        var result = await response.Content
            .ReadFromJsonAsync<TranslationResponse>();

        return new TranslationResult
        {
            Original = text,
            Translated = result.Translated[0],
            SourceLanguage = sourceLang,
            TargetLanguage = targetLang,
            TranslationTime = result.TranslationTime
        };
    }
}

public class TranslationRequest
{
    [JsonPropertyName("text")]
    public string[] Text { get; set; }

    [JsonPropertyName("source_lang")]
    public string SourceLang { get; set; }

    [JsonPropertyName("target_lang")]
    public string TargetLang { get; set; }
}

public class TranslationResponse
{
    [JsonPropertyName("translated")]
    public string[] Translated { get; set; }

    [JsonPropertyName("translation_time")]
    public double TranslationTime { get; set; }
}
```

: 1B+ पैरामीटर्स पर 100 एम.

```csharp
// In your controller or service
public class BlogPostController : ControllerBase
{
    private readonly TranslationService _translator;

    public async Task<IActionResult> TranslatePost(int postId, string targetLang)
    {
        var post = await _blogService.GetPostAsync(postId);

        var translatedTitle = await _translator.TranslateAsync(
            post.Title,
            "en",
            targetLang);

        var translatedContent = await _translator.TranslateAsync(
            post.Content,
            "en",
            targetLang);

        return Ok(new
        {
            Title = translatedTitle.Translated,
            Content = translatedContent.Translated,
            OriginalLanguage = "en",
            TargetLanguage = targetLang
        });
    }
}
```

## इसे एक साथ रखना: एक पूर्ण उदाहरण

### चलो अनुवाद के माध्यम से ट्रेस करें "कंड पर बैठा" फ्रांसीसी को:

स्टेप- स्टेप प्रक्रिया:

```csharp
public async Task<string> TranslateLongText(string longText, string targetLang)
{
    const int maxChunkSize = 500; // characters

    // Split on paragraph boundaries
    var paragraphs = longText.Split(new[] { "\n\n", "\r\n\r\n" },
        StringSplitOptions.RemoveEmptyEntries);

    var translatedParagraphs = new List<string>();

    foreach (var paragraph in paragraphs)
    {
        if (paragraph.Length <= maxChunkSize)
        {
            var result = await _translator.TranslateAsync(paragraph, "en", targetLang);
            translatedParagraphs.Add(result.Translated);
        }
        else
        {
            // Split long paragraph into sentences
            var sentences = SplitIntoSentences(paragraph);
            var translatedSentences = new List<string>();

            foreach (var sentence in sentences)
            {
                var result = await _translator.TranslateAsync(sentence, "en", targetLang);
                translatedSentences.Add(result.Translated);
            }

            translatedParagraphs.Add(string.Join(" ", translatedSentences));
        }
    }

    return string.Join("\n\n", translatedParagraphs);
}
```

### चरण 1: oword ""

चरण 2: खोलिए "घर"

```csharp
public async Task<string> TranslateMarkdown(string markdown, string targetLang)
{
    // Extract text from markdown while preserving structure
    var doc = Markdig.Markdown.Parse(markdown);
    var textSegments = new List<(string text, int position)>();

    // Walk the AST and extract translatable text
    foreach (var node in doc.Descendants())
    {
        if (node is LiteralInline literal)
        {
            var text = literal.Content.ToString();
            if (!string.IsNullOrWhiteSpace(text) && !IsImagePath(text))
            {
                textSegments.Add((text, literal.Span.Start));
            }
        }
    }

    // Translate all segments
    var translations = await Task.WhenAll(
        textSegments.Select(async seg => new
        {
            seg.position,
            translated = (await _translator.TranslateAsync(seg.text, "en", targetLang)).Translated
        }));

    // Reconstruct markdown with translations
    var result = markdown;
    foreach (var translation in translations.OrderByDescending(t => t.position))
    {
        result = result.Remove(translation.position, textSegments
            .First(s => s.position == translation.position).text.Length)
            .Insert(translation.position, translation.translated);
    }

    return result;
}
```

### कदम 3: स्व-रूपता

चरण 4: डिकोडर के साथ शुरू होता है

```csharp
public async Task<Dictionary<string, string>> TranslateBatch(
    IEnumerable<string> texts,
    string targetLang)
{
    const int batchSize = 32;
    var results = new Dictionary<string, string>();

    foreach (var batch in texts.Chunk(batchSize))
    {
        var request = new TranslationRequest
        {
            Text = batch.ToArray(),
            SourceLang = "en",
            TargetLang = targetLang
        };

        var response = await _httpClient.PostAsJsonAsync(
            $"{_nmtServiceUrl}/translate",
            request);

        var result = await response.Content
            .ReadFromJsonAsync<TranslationResponse>();

        for (int i = 0; i < batch.Length; i++)
        {
            results[batch[i]] = result.Translated[i];
        }
    }

    return results;
}
```

## चरण 5: बनाएँ "Le"

कदम 6: " गपशप" बनाएँ

```mermaid
graph TD
    A[Translation Request] --> B{Model Size}
    B -->|Small 100M params| C[Fast: 50-100ms]
    B -->|Medium 500M params| D[Medium: 200-500ms]
    B -->|Large 1B+ params| E[Slow: 1-3 seconds]

    A --> F{Hardware}
    F -->|CPU| G[Slow: 2-5x slower]
    F -->|GPU| H[Fast: Baseline]
    F -->|TPU/Special AI chips| I[Very Fast: 2-3x faster]

    style C stroke-width:2px
    style E stroke-width:2px
```

कदम 7: तब तक जारी रखें

- **रूपांतरण खिलाड़ी जीता**शब्दकोशों में ट्रांसमीटर (टीटीटी") प्रमुख बन गया क्योंकि:
- **समानांतराइज़ेशन**: पुराने ज़माने के मॉडलों से अलग, सभी शब्दों को एक साथ पेश किया जा सकता है
- **लंबी सीमा डिपेंडेंसीज़**: ध्यान दो शब्दों में से किसी भी शब्द से जुड़ सकता है, चाहे वह कितनी ही दूर क्यों न हो

**स्केल्स**: अधिक डाटा + बड़ा मॉडल = अच्छा परिणाम (एक बिन्दु पर)

**Altt संजाल प्रक्रिया अनुक्रम अनुक्रम (धीमा), जबकि रूपांतरण सभी शब्द एक साथ (तेज!**C# में NMT का इस्तेमाल करना: एक व्यावहारिक उदाहरण

## अब आप समझ में आता है कि यह कैसे काम करता है, यहाँ है आप वास्तव में इसे एक में उपयोग होता है. NET अनुप्रयोग:

उपयोग:

1. **आम चुनौतियाँ और समाधान**1 ..
2. **लंबे पाठ संभालता है**NMT मॉडलों में इनपुट सीमा हैं (स्वाभाविक रूप से 512- भली निशानियाँ).
3. **हल: फिर से कोशिश करना!**2
4. **फार्मेट किया जा रहा है**निशान नीचे, एचटीएमएल, तथा अन्य मार्कअप NMMT मॉडलों को उलझन में डाल सकते हैं:
5. **3**बैच प्रक्रिया Evase के लिए

एक वाक्य को एक समय में बदलना धीमा है ।

उन्हें बैच!

- **परफ़ॉर्मेंस कैरेक्टर्स**गणना लागत को समझना आपको बेहतर हल करने में मदद देता है:
- **सामान्य प्रदर्शन (जीयूपी पर वाक्यपर):**छोटा मॉडल
- **(100ms): 50- 100ms**मध्यम मॉडल
- **(00म सीमा: 200-00ms)**बड़ा मॉडल

(1B+ basms): 1-3 सेकण्ड

Now when you hit "translate" on your blog posts, you'll know exactly what's happening under the hood! 🚀

## सीपीयू विसेयू

: गापियू 2- 10x तेजी से NMT के लिए

- [बैच प्रक्रिया](https://arxiv.org/abs/1706.03762): प्रचयन के साथ 100+ वाक्य/ सेकंड प्राप्त कर सकते हैं
- [कंटेनमेंट](https://jalammar.github.io/illustrated-transformer/)तंत्रिका मशीन अनुवाद जादू की तरह लग सकता है, लेकिन यह वास्तव में कई चतुर विचारों का एक सुंदर संयोजन है:
- [एम्बेडिंग](https://arxiv.org/abs/1409.0473): रीवर्ड शब्द वेक्टर के रूप में जो अर्थ कैप्चर करते हैं
- [तंत्रिका नेटवर्क](/blog/category/EasyNMT): लाखों मिसालों से सीखिए