FastAPI-sovellus kopioi EasyNMT:n API:n (https://github.com/UKPLab/EasyNMT) erinomaisen mutta hylätyn hermo-konekäännösprojektin.
Mutta olen lisännyt niin monia mukavia ominaisuuksia lisätäkseni luotettavuutta ja tehdäkseni sen käyttökelpoiseksi tuotantojärjestelmässä.Ajattele, että nopea käännös itse isännöi...).
Tämän blogin alusta lähtien iso intohimo on ollut blogiartikkeleiden automaattinen kääntäminen.
KYLLÄ tiedän, että "google tekee tämän" selaimissa jne. jne. mutta siitä ei ole kyse.mostlylucid-nmtHalusin tietää, miten se tehdään!
Lisäksi on mukava olla tervetullut ihmisille, jotka eivät lue englantia (vaikka he lukevat englantia toisena kielenä, se on FAR:ää vaikeampi tulkita).Niinpä selvitin, miten se tehdään, sekä jaoin, miten tällainen järjestelmä rakennetaan.Se antoi minulle ideoita siitä, miten sitä käytetään ASP.NETissä tekstin automaattiseen lokalisointiin (myös dynaamiseen tekstiin) SignalR & -järjestelmän avulla. (
pysy kanavallaPohjimmiltaan ihmiset kirjoittavat roskatekstiä, joka on superäänistä, jotta koneet voivat käsitellä tehokkaasti.
EasyNMT:n kanssa oli siis paljon mietittävää (se oli oikeastaan koskaan tutkimusprojekti).
Minäkirjoitti koko järjestelmänhttp://<server>:<port>/demoSaada se tapahtumaan EasyNMT-nimisellä upealla projektilla.
Se on yksinkertainen, nopea tapa saada käännösrajapinta ilman tarvetta maksaa jostain palvelusta tai suorittaa täyskokoinen LLM saada käännös (hitaasti).
**Mutta ajan kuluessa halkeamat alkoivat näkyä.**Oli aika tehdä jotain parempaa.
**Kuten tavallista, kaikki on GitHubilla ja ilmaiseksi jne....**Docker vetää
Reusing loaded model for en->de (3/10 models in cache)Need to load model for en->fr (3/10 models in cache)Merkittävät päivitykset (v3.1) - Älykkyys ja näkyvyysUusi v3.1 kohdassa:
====================================================================================================
🚀 DOWNLOADING MODEL
Model: facebook/mbart-large-50-many-to-many-mmt
Family: mbart50
Direction: en → bn
Device: GPU (cuda:0)
Total Size: 2.46 GB
Files: 6 main files
====================================================================================================
[Progress bars for each file...]
====================================================================================================
✅ MODEL READY
Model: facebook/mbart-large-50-many-to-many-mmt
Translation: en → bn is now available
====================================================================================================
**: Oletusvälimuistin koko vaihdettu 10 malliin (6 alkaen)**Per-mallisen laitteen kirjautuminen
[Pivot] Languages reachable from en: 85 languages
[Pivot] Languages that can reach bn: 42 languages
[Pivot] Found 38 possible pivot languages
[Pivot] Selected pivot: en → hi → bn (both legs verified)
: Näyttää kohdelaitteen (GPU/CPU) bannerissaEtenemisviivat
Request: en→bn with opus-mt
Trying families: ['opus-mt', 'mbart50', 'm2m100'] ✓ All three!
opus-mt: Failed (model doesn't exist)
mbart50: Success! (auto-fallback worked)
Data-Driven Intelligent Pivot Selection- Ei enää sokeita yrityksiä.
Loading mbart50 model on GPU (cuda:0)Model loaded on device: cuda:0Successfully loaded... on GPU (cuda:0): Älä yritä en→es→bn, jos es→bn ei ole olemassaEsimerkki en→b:lle
en->hi, hi->bn[Pivot] Both legs loaded and cached. Ready to translate.: Katso tarkkaan, miksi jokainen kääntökohta valittiin tai ohitettiinNelonen
model_familyYritä aina perääntyä: Samaa mallia ei enää yritetä uudelleen kahdestiEsimerkkivirta
**Menestysviesti sisältää:**6.
**- Toimii jo demossa:**Demon pudotus mahdollistaa opus-mt:n, mbart50:n tai m2m100:n valinnan
requirements-prod.txtParannettu demosivu**- Tuotantovalmiit vuorovaikutteiset rajapinnat:**Koko näkymän ulkoasu (100vw/100vh) immersiivistä käännöskokemusta varten
**: FP16 käytössä, BATCH_SIZE=64, MAX_INFLlight=1 (optimaalista yksittäiselle GPU:lle)**Suoritin
**- Pienempiä, nopeampia kuvia:**Poistetut testauksen riippuvuudet (pytest, pytest-cov) tuotantorakenteista
Kattava testaus ja kuormituksen testaus- Validoidaan kaikki:
realistisilla liikennekuvioillaRistikenttävahvistusskriptit
/discover/opus-mt(PowerShell + Bash)/discover/mbart50Testejä mallilatauksille ja käännöksille/discover/m2m100Nopean validoinnin automaattiset savutestit**5.**Käyttöönottoasiakirjat
Kuberneteissä on PVC:tä, resurssirajoituksia, terveystarkastuksiaAzure Container Industriesin esimerkit
scottgal/mostlylucid-nmt:cpuKuormitustestauksen ohjeistus ja seurantasuositukset:latestConcurrency vs implisiittiset kaupat selitettiinscottgal/mostlylucid-nmt:cpu-min6.scottgal/mostlylucid-nmt:gpuKolme malliperhettäscottgal/mostlylucid-nmt:gpu-min- Valitse tarpeisiisi paras:Opus-MT: 1200+ paria, parasta laatua (erilliset mallit)
latest, min, gpu, gpu-min: 50 kieltä, yksi 2,4GB-malli, 2,450 paria20250108.143022: 100 kieltä, yksi 2,2GB-malli, 9 900 pariaAutofallback- Älykkäästi valittu paras saatavilla oleva malli:
Kaikki MBART50 pariaKaikki M2M100 paria
Ei esiladattuja malleja (tilattava lataus)
Vaihda malliperheitä ilman uudelleenrakentamista**juttua muokattu 10.**Yhden luukun repostointi
cpu(tailatest) | scottgal/mostlylucid-nmt:cpu) - CPU
| cpu-min | scottgal/mostlylucid-nmt:cpu-min- Suoritin minimaalinen
| gpu | scottgal/mostlylucid-nmt:gpu- GPU ja CUDA 12,6
| gpu-min | scottgal/mostlylucid-nmt:gpu-min- GPU minimaalinen**juttua muokattu 11.**Oikea versiointi
Täydet OCI-tarrat versioiden seurantaan, päivämäärien rakentamiseen ja git-kirjoituksiin
docker run -d \
--name mostlylucid-nmt \
-p 8000:8000 \
scottgal/mostlylucid-nmt
juttua muokattu 12.
curl -X POST "http://localhost:8000/translate" \
-H "Content-Type: application/json" \
-d '{
"text": ["Hello, how are you?"],
"target_lang": "de"
}'
Viimeisimmät pohjakuvat
{
"translated": ["Hallo, wie geht es Ihnen?"],
"target_lang": "de",
"source_lang": "en",
"translation_time": 0.34
}
Python 3,12 slim
docker run -d \
--name mostlylucid-nmt \
--gpus all \
-p 8000:8000 \
-e EASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}' \
scottgal/mostlylucid-nmt:gpu
CUDA 12,6
Ubuntu 24.04 GPU-kuville (viimeisin NVIDIA-pino)
docker run -d \
--name mostlylucid-nmt \
-p 8000:8000 \
-v $HOME/model-cache:/models \
-e MODEL_CACHE_DIR=/models \
scottgal/mostlylucid-nmt:cpu-min
PyTorch ja CUDA 12,4
docker run -d `
--name mostlylucid-nmt `
-p 8000:8000 `
-v ${HOME}/model-cache:/models `
-e MODEL_CACHE_DIR=/models `
scottgal/mostlylucid-nmt:cpu-min
(yhteensopiva CUDA 12,6 juoksuajan kanssa)
docker run -d ^
--name mostlylucid-nmt ^
-p 8000:8000 ^
-v %USERPROFILE%/model-cache:/models ^
-e MODEL_CACHE_DIR=/models ^
scottgal/mostlylucid-nmt:cpu-min
Kaikki riippuvuudet päivitetty uusimpiin turvallisiin versioihin
juttua muokattu 13.
curl http://localhost:8000/healthz
Kiinteät poikkeamavaroitukset
Poistettu käytöstä poistettu transformers_CACHE (käyttää nyt HF_HOMEa)Yhteensopiva Transformers v5:n kanssaPikakäynnistys (5 minuuttia)
http://localhost:8000/demo/
Tässä on ehdottomasti yksinkertaisin tapa ajaa enimmäkseen lucid-nmt:
Saatavilla olevat Docker-kuvat
Kuvan koko Nimi Koko Kuvaus Käytä tapausta
Pienet kuvat
Kontin koon pitäminen pienenä
Vaatii NVIDIA Docker -ajoaikaa:
Terveystarkastus:
1 Täysosuma
// Example: Translating a 5000-word article
Input: Long article with multiple paragraphs
Step 1: Split by paragraphs (preserves structure)
→ Paragraph 1 (800 chars)
→ Paragraph 2 (1200 chars)
→ Paragraph 3 (600 chars)
...
Step 2: Group into ~1000 character chunks
→ Chunk 1: Paragraphs 1-2
→ Chunk 2: Paragraph 3-4
→ Chunk 3: Paragraphs 5-6
Step 3: Translate each chunk sequentially
→ Shows progress: "Translating chunk 1/3..."
→ Shows progress: "Translating chunk 2/3..."
→ Shows progress: "Translating chunk 3/3..."
Step 4: Reassemble with paragraph breaks
→ Final output: Complete translated article with preserved formatting
Automaattinen kielenpudotus live-palvelusta
Käsittelee automaattisesti minkä tahansa kokoisia suuria tekstituloja
3.
Lisäasetukset:
Tuomio jakaantuu:
Reaaliaikaiset tilastot:
: Idle → Translating → Done/Error
: 100 kieltä, 9 900 paria/demo/Katso tarkkaan, mitä kielipareja on saatavilla ennen kääntämistä
Demo toteuttaa älykkään tekstinpätkän asiakaspuolella:Miksi käyttää demoa?Nopea testausTestikäännökset ilman kirjoituskoodiaValidoida kieliparin saatavuus
Vertaa käännöslaatua eri palkkikokoihin
Liitä koko blogikirjoitus (5000+ sanaa)Demo pilkkoo sen automaattisesti hallittaviksi paloiksiNäyttää edistyksen jokaisen palan kääntäessä
KielidetektioLiitä teksti tuntemattomalla kielelläKlikkaa "Tunnista kieli"
**Ei vastapainetta tai jonottamista.**Lähetä liikaa pyyntöjä, ja se vain kömpii ohi.MODEL_FAMILYEi havaintokykyä.
# Opus-MT (default, best quality)
MODEL_FAMILY=opus-mt
# mBART50 (50 languages, single model)
MODEL_FAMILY=mbart50
# M2M100 (100 languages, broadest coverage)
MODEL_FAMILY=m2m100
Ratkaisu: EnimmäkseenLucid-NMTJoten...Päätin rakentaa uuden ja parannellun EasyNMT:n, nytenimmäkseen lusid-nmt
MODEL_FAMILYTämä tekee siitä paremman:opus-mtMonimallinen perhetukiOpus-MT (Helsinki-NLP) - Oletus
# Set primary to Opus-MT (best quality)
MODEL_FAMILY=opus-mt
AUTO_MODEL_FALLBACK=1
MODEL_FALLBACK_ORDER=opus-mt,mbart50,m2m100
# Request Ukrainian → French
# 1. Try Opus-MT first (not available)
# 2. Automatically fall back to mBART50 (available!)
# 3. Translation succeeds with mBART50
Kattavuus:
300–500MB per suunta
# Enable auto-fallback (default: enabled)
AUTO_MODEL_FALLBACK=1
# Set fallback priority (default: opus-mt → mbart50 → m2m100)
MODEL_FALLBACK_ORDER="opus-mt,mbart50,m2m100"
# Disable for strict single-family mode
AUTO_MODEL_FALLBACK=0
Esimerkki:
-minMallin koko:Edut:
Vaihtaminen on helppoa
Yksi tehokkaimmista uusista ominaisuuksista on
**Miten se toimii:**Päätit esivaalin.
Hyödyt:
Tue 100+-kieliä hallitsematta useita käyttökohteita
Läpinäkyvät kirjaukset:
Monimallinen perhetuki
# NMT: Fits on a USB stick
du -sh model-cache/
2.5G model-cache/
# LLM: Needs serious storage
du -sh llama-models/
140G llama-models/
Mallilöydön päätetapahtumat
Symboleja?
LRU-malli välimuistiin
EasyNMT-yhteensopiva API
muunnelmia, joissa on äänenvoimakkuuden kartoittama välimuisti pienempiä käyttökohteita varten.
Miksi NMT yli LLMs käännöstä varten?
Input: "The API returns a 429 status code when rate limited."
NMT (Opus-MT): "Die API gibt einen 429-Statuscode zurück, wenn sie ratenbegrenzt ist."
(Accurate, preserves technical terms)
LLM (might do): "Die API sendet den Fehlercode 429, wenn zu viele Anfragen gestellt werden."
(Interprets rather than translates, adds context not in original)
Tässä tuotannon käyttöön perustuva reality check:
GPT-4: 3–10 sekuntia per pyyntö (API latenssi + sukupolvi)
GPT-4 API30-60 sekuntiaPaikallinen Llama 70B
Opus-MT (suuntaa kohti): 300–500MB
MBART50 (kaikki 50 kieltä): 2.4GBM2M100 (kaikki 100 kieltä): 2.2GB
flowchart LR
A[HTTP Client] --> B[API Gateway]
B --> C[Translation Endpoint]
C --> D{Has Capacity?}
D -->|Yes| E[Translation Service]
D -->|No| F[Queue with 429]
F --> E
E --> G[Process Pipeline]
G --> H[Get Model from Cache]
H --> I[Translate]
I --> J[Return Response]
J --> A
LLM:t:
Retry-AfterKustannukset: 10-20 dollaria/kuukausi VPS**NMT:n vahvuudet:**Koulutettu nimenomaan kääntämistä vartenRetry-AfterYhdenmukainen laatu (sama syöte = sama ulostulo)
Nopeaa suunnittelua ei tarvita
sequenceDiagram
participant Client
participant API
participant Queue
participant Translator
participant Cache
participant Model
Client->>API: POST /translate
API->>Queue: Acquire slot
alt Queue has space
Queue-->>API: Slot acquired
API->>Translator: Process translation
Translator->>Translator: Sanitize input
Translator->>Translator: Split sentences
Translator->>Translator: Chunk text
Translator->>Translator: Mask symbols
Translator->>Cache: Get model (en→de)
alt Cache hit
Cache-->>Translator: Return cached model
else Cache miss
Cache->>Model: Load from Hugging Face
Model-->>Cache: Pipeline loaded
Cache->>Cache: Evict old if at capacity
Cache-->>Translator: Return model
end
Translator->>Model: Translate batches
Model-->>Translator: Translations
Translator->>Translator: Unmask symbols
Translator->>Translator: Post-process
Translator-->>API: Translations
API->>Queue: Release slot
API-->>Client: 200 OK + translations
else Queue full
Queue-->>API: Overflow error
API-->>Client: 429 Too Many Requests\nRetry-After: X seconds
end
Esimerkki:
graph LR
A[Raw Input] --> B{Sanitize?}
B -->|Yes| C[Check Noise]
B -->|No| D[Split Sentences]
C -->|Is Noise| Z[Return Placeholder]
C -->|Valid| D
D --> E[Enforce Max Length]
E --> F[Chunk for Batching]
F --> G{Symbol Masking?}
G -->|Yes| H[Mask Digits/Punct/Emoji]
G -->|No| I[Translate]
H --> I
I --> J{Direct Model?}
J -->|Available| K[Direct Translation]
J -->|Not Available| L{Pivot Fallback?}
L -->|Yes| M[src→en→tgt]
L -->|No| Z
K --> N[Unmask Syis robust input handling. Here's what happens:
**Noise Detection:**
- Strips control characters (except \t, \n, \r)
- Checks minimum character count (default: 1)
- Calculates alphanumeric ratio (default: must be ≥20%)
- Rejects pure emoji, pure punctuation, or pure whitespace
**Symbol Masking:**
Why mask symbols? Translation models are trained on text, not emoji or special symbols. These can confuse them or get mangled. So we:
1. Extract all digits, punctuation, and emoji as contiguous runs
2. Replace them with sentinel tokens: `⟪MSK0⟫`, `⟪MSK1⟫`, etc.
3. Translate the masked text
4. Restore the original symbols in their positions
Example:
Input: "Hello 👋 world! Price: $99.99" Milloin kutakin lääkettä käytetään (👋) (!) (:) ($99.99)
**Post-Processing:**
After translation, we remove "symbol loops" - repeated symbols that weren't in the source:
Käytä NMT:tä (useimmiten lusid-nmt), kun: Tarvitset johdonmukaisen, nopean kääntämisen mittakaavassa Budjettiasiat (itsensä isännöinti tai suuri volyymi)
### Sentence Splitting & Chunking
Long texts get split intelligently:
```mermaid
graph TD
A[Long Text] --> B[Split on . ! ? …]
B --> C{Sentence > 500 chars?}
C -->|Yes| D[Split on word boundaries]
C -->|No| E[Keep sentence]
D --> E
E --> F[Group into chunks ≤900 chars]
F --> G[Translate each chunk]
G --> H[Join with space]
Käännät teknistä sisältöä, koodia, jäsenneltyä dataa
Tarvitset luovaa sopeutumista, et kirjaimellista kääntämistä
stateDiagram-v2
[*] --> CheckCache
CheckCache --> CacheHit: Model exists
CheckCache --> CacheMiss: Model not loaded
CacheHit --> MoveToEnd: Update LRU order
MoveToEnd --> ReturnModel
CacheMiss --> CheckCapacity
CheckCapacity --> LoadModel: Space available
CheckCapacity --> EvictOldest: Cache full
EvictOldest --> MoveToCPU: Free VRAM
MoveToCPU --> ClearCUDA: torch.cuda.empty_cache()
ClearCUDA --> LoadModel
LoadModel --> AddToCache
AddToCache --> ReturnModel
ReturnModel --> [*]
Kontekstilla ja kulttuurisella vivahteella on muutakin merkitystä kuin nopeus
(käyttötapani), NMT on selvä voittaja:
# Semaphore limits concurrent translations
MAX_INFLIGHT = 1 # On GPU, 1 at a time for efficiency
MAX_QUEUE_SIZE = 1000 # Up to 1000 waiting
# When full:
# - Returns 429 Too Many Requests
# - Includes Retry-After header
# - Estimates wait time based on average duration
Kääntää 100+ blogikirjoitusta 12 kielelle ~30 minuutissa (GPU)
avg_duration = 2.5 seconds (tracked with EMA)
waiters = 100
slots = 1
estimated_wait = (100 / 1) * 2.5 = 250 seconds
clamped = min(250, 120) = 120 seconds
Retry-After: 120
Johdonmukainen laatu kaikissa viroissa
graph LR
A[Ukrainian Text] --> B{Direct uk→fr?}
B -->|Exists| C[Translate Directly]
B -->|Missing| D[Pivot via English]
D --> E[uk→en]
E --> F[en→fr]
F --> G[French Result]
C --> G
Kokonaisasettelu: Yksi Docker-kontti
Pelkästään nopeusero tekee NMT:stä ainoan käytännöllisen valinnan käännösputkistojen tuotantoon.
NMT on suunniteltu kääntämistä varten, toimii vaatimattomalla laitteistolla ja on 10-100x nopeampi kuin LLM:t. Jos tarvitset nopeaa, johdonmukaista ja kustannustehokasta käännöstä mittakaavassa, NMT voittaa kädet alas.
# src/core/cache.py
from collections import OrderedDict
import torch
class LRUPipelineCache:
"""LRU cache that automatically cleans up GPU memory when evicting models."""
def __init__(self, capacity: int):
self.cache = OrderedDict() # Maintains insertion order
self.capacity = capacity
def get(self, key: str):
"""Get model from cache, moves it to end (most recently used)."""
if key not in self.cache:
return None
self.cache.move_to_end(key) # Mark as recently used
return self.cache[key]
def put(self, key: str, value):
"""Add model to cache, evicting oldest if at capacity."""
if key in self.cache:
self.cache.move_to_end(key)
else:
self.cache[key] = value
# If cache is full, evict the oldest model
if len(self.cache) > self.capacity:
oldest_key, oldest_pipeline = self.cache.popitem(last=False)
# MAGIC: Move evicted model to CPU to free GPU memory
try:
oldest_pipeline.model.to("cpu")
if torch.cuda.is_available():
torch.cuda.empty_cache() # Tell GPU to release memory
logger.info(f"Evicted {oldest_key}, freed GPU memory")
except Exception as e:
logger.warning(f"Failed to clean GPU memory: {e}")
Arkkitehtuurin yleiskatsaus
OrderedDictPyyntövirta on yksinkertainen:→ Pyyntö menee käännöspalveluun välittömästi
# src/services/model_manager.py
def get_pipeline(self, src: str, tgt: str):
"""Try to get translation model, with automatic fallback to other providers."""
# Determine which model families support this language pair
families_to_try = []
if config.AUTO_MODEL_FALLBACK:
# Try families in priority order: opus-mt → mbart50 → m2m100
for family in config.MODEL_FALLBACK_ORDER.split(","):
if self._is_pair_supported(src, tgt, family.strip()):
families_to_try.append(family.strip())
# Try each family until one succeeds
last_error = None
for family in families_to_try:
try:
model_name, src_lang, tgt_lang, _ = self._get_model_name_and_langs(src, tgt, family)
if family != config.MODEL_FAMILY:
logger.info(f"Using fallback '{family}' for {src}->{tgt}")
# Load the model from HuggingFace
pipeline = transformers.pipeline(
"translation",
model=model_name,
device=device_manager.device_index,
src_lang=src_lang,
tgt_lang=tgt_lang
)
self.cache.put(f"{src}->{tgt}", pipeline)
return pipeline
except Exception as e:
last_error = e
logger.warning(f"Family '{family}' failed for {src}->{tgt}: {e}")
continue # Try next family
# All families failed
raise ModelLoadError(f"{src}->{tgt}", last_error)
Ei tarvitse.
(LRU) tarjoaa käännösmalleja:
# src/services/queue_manager.py
import asyncio
from contextlib import asynccontextmanager
class QueueManager:
"""Manages request queuing and backpressure."""
def __init__(self, max_inflight: int, max_queue: int):
self.semaphore = asyncio.Semaphore(max_inflight) # Limit concurrent translations
self.max_queue_size = max_queue
self.waiting_count = 0
self.inflight_count = 0
self.avg_duration_sec = 5.0 # Exponential moving average
@asynccontextmanager
async def acquire_slot(self):
"""Try to get a translation slot, track metrics, handle queueing."""
# Check if queue is too full
if self.waiting_count >= self.max_queue_size:
# Calculate how long client should wait before retrying
retry_after = self._estimate_retry_after()
raise QueueOverflowError(self.waiting_count, retry_after)
self.waiting_count += 1
try:
# Wait for available slot (this is the queue!)
await self.semaphore.acquire()
self.waiting_count -= 1
self.inflight_count += 1
start_time = time.time()
yield # Let the translation happen
# Update average duration for retry-after estimates
duration = time.time() - start_time
alpha = config.RETRY_AFTER_ALPHA # Smoothing factor (0.2)
self.avg_duration_sec = alpha * duration + (1 - alpha) * self.avg_duration_sec
finally:
self.inflight_count -= 1
self.semaphore.release()
def _estimate_retry_after(self) -> int:
"""Smart calculation: how many waiting / how many slots * avg time per request."""
if self.inflight_count == 0:
return config.RETRY_AFTER_MIN_SEC
# If 10 people waiting and 2 slots available, and each takes 5 seconds:
# retry_after = (10 / 2) * 5 = 25 seconds
retry_sec = (self.waiting_count / self.semaphore._value) * self.avg_duration_sec
# Clamp between min and max
return max(
config.RETRY_AFTER_MIN_SEC,
min(int(retry_sec), config.RETRY_AFTER_MAX_SEC)
)
Välimuistin osuma → Nopea vastaus
max_inflight)@asynccontextmanagerpalaa asiakkaalleSyöttöputki
# src/utils/symbol_masking.py
import re
def mask_symbols(text: str) -> tuple[str, dict[str, str]]:
"""Replace special symbols with placeholders before translation."""
originals = {}
masked_text = text
placeholder_counter = 0
# Pattern: Match emojis, symbols, special punctuation
# \U0001F300-\U0001F9FF = emoji range
# [\u2600-\u26FF\u2700-\u27BF] = misc symbols
symbol_pattern = re.compile(
r'[\U0001F300-\U0001F9FF\u2600-\u26FF\u2700-\u27BF'
r'\u00A9\u00AE\u2122\u2139\u3030\u303D\u3297\u3299]+'
)
for match in symbol_pattern.finditer(text):
symbol = match.group()
placeholder = f"__SYMBOL_{placeholder_counter}__"
originals[placeholder] = symbol
masked_text = masked_text.replace(symbol, placeholder, 1)
placeholder_counter += 1
return masked_text, originals
def unmask_symbols(text: str, originals: dict[str, str]) -> str:
"""Restore original symbols after translation."""
for placeholder, original in originals.items():
text = text.replace(placeholder, original)
return text
Palvelu käyttää kehittynyttä monivaiheista putkistoa käsitelläkseen sotkuista tosimaailman tekstiä:
# Before translation:
text = "Hello! 👋 Check out this cool feature 🚀"
# Mask symbols:
masked, originals = mask_symbols(text)
# masked = "Hello! __SYMBOL_0__ Check out this cool feature __SYMBOL_1__"
# originals = {"__SYMBOL_0__": "👋", "__SYMBOL_1__": "🚀"}
# Translate the masked text:
translated = translate(masked, "de") # → "Hallo! __SYMBOL_0__ Schau dir diese coole Funktion an __SYMBOL_1__"
# Unmask symbols:
final = unmask_symbols(translated, originals)
# final = "Hallo! 👋 Schau dir diese coole Funktion an 🚀"
Naamioitunut: "Tervetuloa maailmalle MSK2 hinta MSK2 hinta MSK3"
👋Mallit eivät tukehdu valtaviin syöttöihin__SYMBOL_0__Pystymme eristämään tehokkaastiMiksi tällä on merkitystä:
# src/utils/text_processing.py
def chunk_sentences(sentences: list[str], max_chars: int = 900) -> list[list[str]]:
"""Group sentences into chunks that fit within model's max input length."""
chunks = []
current_chunk = []
current_length = 0
for sentence in sentences:
sentence_len = len(sentence)
# If this sentence alone is too long, it goes in its own chunk
if sentence_len > max_chars:
if current_chunk:
chunks.append(current_chunk)
current_chunk = []
current_length = 0
chunks.append([sentence])
continue
# If adding this sentence exceeds limit, start new chunk
if current_length + sentence_len + 1 > max_chars:
chunks.append(current_chunk)
current_chunk = [sentence]
current_length = sentence_len
else:
current_chunk.append(sentence)
current_length += sentence_len + 1 # +1 for space
# Don't forget the last chunk!
if current_chunk:
chunks.append(current_chunk)
return chunks
def split_sentences(text: str, max_sentence_chars: int = 500) -> list[str]:
"""Split text into sentences, enforcing max length."""
# Split on common sentence terminators
sentences = re.split(r'([.!?…]+\s+)', text)
result = []
for sentence in sentences:
if not sentence or sentence.isspace():
continue
# If sentence is too long, split on word boundaries
if len(sentence) > max_sentence_chars:
words = sentence.split()
current = []
current_len = 0
for word in words:
if current_len + len(word) + 1 > max_sentence_chars:
result.append(' '.join(current))
current = [word]
current_len = len(word)
else:
current.append(word)
current_len += len(word) + 1
if current:
result.append(' '.join(current))
else:
result.append(sentence.strip())
return result
GPU-muisti on arvokas
.!?…Pidämme 6 viimeisintä mallia kuuminaEnglanninkieliset pivot:
# src/services/model_discovery.py
import httpx
from datetime import datetime, timedelta
class ModelDiscoveryService:
"""Discovers available translation models with 1-hour cache."""
def __init__(self):
self._cache = {} # Cache results to avoid hammering HuggingFace API
self._cache_ttl = timedelta(hours=1)
self._hf_api_base = "https://huggingface.co/api/models"
async def discover_opus_mt_pairs(self, force_refresh: bool = False):
"""Query HuggingFace for all Helsinki-NLP Opus-MT models."""
cache_key = "opus-mt"
# Check cache first
if not force_refresh and cache_key in self._cache:
cached_data, cached_time = self._cache[cache_key]
if datetime.now() - cached_time < self._cache_ttl:
return cached_data # Cache hit!
# Cache miss - query HuggingFace API
async with httpx.AsyncClient() as client:
response = await client.get(
self._hf_api_base,
params={
"author": "Helsinki-NLP",
"search": "opus-mt",
"limit": 1000
},
timeout=30.0
)
models = response.json()
# Extract language pairs from model names
# Example: "Helsinki-NLP/opus-mt-en-de" → ("en", "de")
pairs = []
for model in models:
model_id = model.get("modelId", "")
if model_id.startswith("Helsinki-NLP/opus-mt-"):
# Extract the language codes after "opus-mt-"
lang_part = model_id.replace("Helsinki-NLP/opus-mt-", "")
if "-" in lang_part:
src, tgt = lang_part.split("-", 1)
pairs.append({"source": src, "target": tgt})
# Cache the results
self._cache[cache_key] = (pairs, datetime.now())
return pairs
Tämä kaksinkertaistaa latenssin, mutta varmistaa kaikkien tuettujen kieliparien kattavuuden.
httpxTutkitaan joitain koodeksin kiinnostavimpia osia!enYksi cooleimmista ominaisuuksista on älykäs mallivälimuisti, joka osaa käsitellä GPU-muistia:deMitä täällä tapahtuu?Helsinki-NLP/opus-mt-en-deGPU:n puhdistus
# src/core/device.py
import torch
class DeviceManager:
"""Smart device selection with GPU auto-detection."""
def __init__(self):
self.use_gpu = self._should_use_gpu()
self.device_index = self._resolve_device()
self.device_str = "cpu" if self.device_index < 0 else f"cuda:{self.device_index}"
# Auto-configure parallel translation slots based on device
if self.device_index >= 0:
# GPU: Run translations serially to avoid VRAM fragmentation
self.max_inflight = 1
else:
# CPU: Can handle multiple translations in parallel
self.max_inflight = config.MAX_WORKERS_BACKEND
self._log_device_info()
def _should_use_gpu(self) -> bool:
"""Check if GPU should be used."""
if config.USE_GPU.lower() == "false":
return False
if config.USE_GPU.lower() == "true":
return torch.cuda.is_available()
# "auto" mode: use GPU if available
return torch.cuda.is_available()
def _resolve_device(self) -> int:
"""Returns device index: -1 for CPU, 0+ for CUDA."""
if not self.use_gpu:
return -1
# Check if specific CUDA device requested
if config.DEVICE and config.DEVICE.startswith("cuda:"):
device_num = int(config.DEVICE.split(":")[1])
return device_num
return 0 # Use first GPU
def _log_device_info(self):
"""Log device information at startup."""
if self.device_index >= 0:
gpu_name = torch.cuda.get_device_name(self.device_index)
vram_gb = torch.cuda.get_device_properties(self.device_index).total_memory / 1e9
logger.info(f"Using GPU: {gpu_name} ({vram_gb:.1f}GB VRAM)")
logger.info(f"Max inflight translations: {self.max_inflight} (GPU mode)")
else:
cpu_count = os.cpu_count()
logger.info(f"Using CPU ({cpu_count} cores)")
logger.info(f"Max inflight translations: {self.max_inflight} (CPU mode)")
# Global singleton instance
device_manager = DeviceManager()
: Kun häädämme mallin, siirrämme sen nimenomaan CPU-muistiin ja käskemme GPU:ta vapauttamaan resurssinsa
max_inflight=1Tämä näppärä ominaisuus kokeilee useita tekoälymallien tarjoajia automaattisesti, jos ensimmäisessä ei ole tarvitsemaasi kieliparia:max_inflight=4Mitä täällä tapahtuu?DEVICE=cuda:1: Onnistuneet mallit välimuistiin kielipariavaimella
# Snippet from QueueManager showing EMA calculation
def update_avg_duration(self, new_duration: float):
"""Update average duration using exponential moving average."""
# EMA formula: new_avg = α × new_value + (1 - α) × old_avg
# α = smoothing factor (0.0 to 1.0)
# - Higher α = more weight to recent values (faster adaptation)
# - Lower α = more weight to historical values (more stable)
alpha = 0.2 # 20% weight to new value, 80% to historical
self.avg_duration_sec = (
alpha * new_duration +
(1 - alpha) * self.avg_duration_sec
)
3.
# Initial average: 5.0 seconds
# New request takes: 10.0 seconds
# EMA calculation:
new_avg = 0.2 * 10.0 + 0.8 * 5.0
= 2.0 + 4.0
= 6.0 seconds
# Next request takes: 3.0 seconds
new_avg = 0.2 * 3.0 + 0.8 * 6.0
= 0.6 + 4.8
= 5.4 seconds
Vastapaineella varustettu pyyntöjono (HTTP 429)
Retry-AfterEksponentiaalinen liikkuva keskiarvo: Vähentää piikkiä pyynnin kestossa
väliaikaisesti
: Käännösmallit joskus korruptoivat tai poistavat emojeja - näin ne säilyvät täydellisesti!
# Prefer GPU if available (default)
USE_GPU=auto
# Force GPU
USE_GPU=true
# Force CPU
USE_GPU=false
# Explicit device override
DEVICE=cuda:0
DEVICE=cpu
# Model family selection (NEW in v2.0!)
MODEL_FAMILY=opus-mt # Best quality (default)
MODEL_FAMILY=mbart50 # 50 languages, single model
MODEL_FAMILY=m2m100 # 100 languages, maximum coverage
# Auto-fallback between model families (NEW in v2.0!)
AUTO_MODEL_FALLBACK=1 # Enabled by default
MODEL_FALLBACK_ORDER="opus-mt,mbart50,m2m100" # Priority order
# Volume-mapped model cache (NEW in v2.0!)
MODEL_CACHE_DIR=/models # Persistent cache directory
# Model arguments passed to transformers.pipeline
EASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}'
EASYNMT_MODEL_ARGS='{"torch_dtype":"bf16","cache_dir":"/models"}'
# Preload models at startup (reduces first-request latency)
PRELOAD_MODELS="en->de,de->en,fr->en"
# LRU cache capacity
MAX_CACHED_MODELS=6
Jakoo pitkiä tekstejä malliin sopiviksi kappaleiksi ja säilyttää samalla lauserajat:
**Mitä täällä tapahtuu?**Tuomion jakaminen
opus-mt: Käytä regexiä jakaaksesimbart50samalla kun säilytät välimerkitm2m100Ahne palkovilja: Pakkaa mahdollisimman monta lausetta jokaiseen osaan ylittämättä rajaaSananjakaminen
1: Jos yksikin lause on liian pitkä, välilyöntejä jaetaan sen sijaan, että lyhennettäisiin välisanaa0Miksi sillä on väliä?**: Käännösmalleilla on tulorajat (yleensä 512-1024 rahaketta).**Näin varmistamme, ettemme koskaan ylitä niitä säilyttäen samalla asiayhteyden ennallaan.
"opus-mt,mbart50,m2m100"Async Model Discovery with Caching"m2m100,mbart50,opus-mt"Mitä täällä tapahtuu?Async HTTP -asiakas): Tekee HTTP:n pyynnöt, jotka eivät estä HuggingFacea
/models: Säilytä tulokset tunnin ajan, jotta vältytään korkorajoituksilta-v ./model-cache:/modelssekä
fp16mistäbf16Miksi sillä on väliä?fp32: HuggingFacessa on 1200+ Opus-MT -mallit.# Batch size for translation (higher = faster but more VRAM)
EASYNMT_BATCH_SIZE=16 # CPU: 8-16, GPU: 32-64
# Maximum text length per item
EASYNMT_MAX_TEXT_LEN=1000
# Maximum beam size (higher = better quality but slower)
EASYNMT_MAX_BEAM_SIZE=5
# Worker thread pools
MAX_WORKERS_BACKEND=1 # Translation workers
MAX_WORKERS_FRONTEND=2 # Language detection workers
# Enable request queueing (highly recommended)
ENABLE_QUEUE=1
# Max concurrent translations
# Auto: 1 on GPU, MAX_WORKERS_BACKEND on CPU
MAX_INFLIGHT_TRANSLATIONS=1
# Max queued requests before 429
MAX_QUEUE_SIZE=1000
# Per-request timeout (0 = disabled)
TRANSLATE_TIMEOUT_SEC=180
# Retry-After estimation
RETRY_AFTER_MIN_SEC=1 # Floor
RETRY_AFTER_MAX_SEC=120 # Ceiling
RETRY_AFTER_ALPHA=0.2 # EMA smoothing factor
# Enable input filtering
INPUT_SANITIZE=1
# Minimum alphanumeric ratio (0.2 = 20%)
INPUT_MIN_ALNUM_RATIO=0.2
# Minimum character count
INPUT_MIN_CHARS=1
# Language code for undetermined/noise
UNDETERMINED_LANG_CODE=und
# Default sentence splitting behavior
PERFORM_SENTENCE_SPLITTING_DEFAULT=1
# Max chars per sentence before word-boundary split
MAX_SENTENCE_CHARS=500
# Max chars per chunk for batching
MAX_CHUNK_CHARS=900
# Sentence joiner
JOIN_SENTENCES_WITH=" "
# Enable symbol masking
SYMBOL_MASKING=1
# What to mask
MASK_DIGITS=1 # Mask 0-9
MASK_PUNCT=1 # Mask .,!? etc.
MASK_EMOJI=1 # Mask 😀🎉 etc.
# Align response array length to input
ALIGN_RESPONSES=1
# Placeholder for failed items (when aligned)
SANITIZE_PLACEHOLDER=""
# Response format
EASYNMT_RESPONSE_MODE=strings # ["translation1", "translation2"]
EASYNMT_RESPONSE_MODE=objects # [{"text":"translation1"}, ...]
# Enable two-hop translation via pivot
PIVOT_FALLBACK=1
# Pivot language (usually English)
PIVOT_LANG=en
# Log level
LOG_LEVEL=INFO
# Per-request logging (verbose)
REQUEST_LOG=1
# Format
LOG_FORMAT=plain # Human-readable
LOG_FORMAT=json # Structured JSON
# File logging with rotation
LOG_TO_FILE=1
LOG_FILE_PATH=/var/log/marian-translator/app.log
LOG_FILE_MAX_BYTES=10485760 # 10MB
LOG_FILE_BACKUP_COUNT=5
# Include raw text in logs (privacy risk!)
LOG_INCLUDE_TEXT=0
# Periodically clear CUDA cache (seconds, 0=disabled)
CUDA_CACHE_CLEAR_INTERVAL_SEC=0
# Worker count (use 1 for single GPU)
WEB_CONCURRENCY=1
# Request timeout
TIMEOUT=60
# Graceful shutdown timeout
GRACEFUL_TIMEOUT=20
# Keep-alive timeout
KEEP_ALIVE=5
# GET request
curl "http://localhost:8000/translate?target_lang=de&text=Hello%20world&source_lang=en"
# Response
{
"translations": ["Hallo Welt"]
}
# POST request
curl -X POST http://localhost:8000/translate \
-H 'Content-Type: application/json' \
-d '{
"text": [
"Hello world",
"This is a test",
"Machine translation is amazing"
],
"target_lang": "de",
"source_lang": "en",
"beam_size": 1,
"perform_sentence_splitting": true
}'
# Response
{
"target_lang": "de",
"source_lang": "en",
"translated": [
"Hallo Welt",
"Das ist ein Test",
"Maschinenübersetzung ist erstaunlich"
],
"translation_time": 0.342
}
# Omit source_lang for auto-detection
curl -X POST http://localhost:8000/translate \
-H 'Content-Type: application/json' \
-d '{
"text": ["Bonjour le monde"],
"target_lang": "en"
}'
# Response
{
"target_lang": "en",
"source_lang": "fr", # Detected
"translated": ["Hello world"],
"translation_time": 0.156
}
# GET
curl "http://localhost:8000/language_detection?text=Hola%20mundo"
# {"language": "es"}
# POST with batch
curl -X POST http://localhost:8000/language_detection \
-H 'Content-Type: application/json' \
-d '{"text": ["Hello", "Bonjour", "Hola"]}'
# {"languages": ["en", "fr", "es"]}
# Health check
curl http://localhost:8000/healthz
# {"status": "ok"}
# Readiness
curl http://localhost:8000/readyz
# {
# "status": "ready",
# "device": "cuda:0",
# "queue_enabled": true,
# "max_inflight": 1
# }
# Cache status
curl http://localhost:8000/cache
# {
# "capacity": 6,
# "size": 3,
# "keys": ["en->de", "de->en", "fr->en"],
# "device": "cuda:0",
# "inflight": 1,
# "queue_enabled": true
# }
# Model info
curl http://localhost:8000/model_name | jq
# When queue is full, you get 429
curl -X POST http://localhost:8000/translate \
-H 'Content-Type: application/json' \
-d '{"text": ["test"], "target_lang": "de"}'
# Response: 429 Too Many Requests
# Headers: Retry-After: 45
# Body:
{
"message": "Too many requests; queue full",
"retry_after_sec": 45
}
# Proper client behavior:
# 1. Read Retry-After header
# 2. Wait that long + jitter
# 3. Retry request
juttua muokattu 8.
Smooth retry-after assessment, joka mukautuu todellisiin pyynnön kestoihin:
Esimerkki:
.\build-all.ps1
Mitä täällä tapahtuu?
chmod +x build-all.sh
./build-all.sh
: Kuten painotettu keskiarvo, joka antaa enemmän painoarvoa viimeaikaisille arvoilleTasauskerroin (α):
latest, min, gpu, gpu-minMiksi ei yksinkertaista keskiarvoa?20250108.143022: Antaa asiakkaille realistisiaaika, joka mukautuu nykyiseen järjestelmän kuormitukseen
# Always get the latest version
docker pull scottgal/mostlylucid-nmt:cpu
# Or use the :latest alias
docker pull scottgal/mostlylucid-nmt:latest
# Pin to a specific version for reproducibility
docker pull scottgal/mostlylucid-nmt:cpu-20250108.143022
docker pull scottgal/mostlylucid-nmt:cpu-min-20250108.143022
Resurssien hallinta
: Älykästä välimuistia, pilkkomista ja rinnakkaiskäsittelyä
docker inspect scottgal/mostlylucid-nmt:cpu | jq '.[0].Config.Labels'
Havainnointikelpoisuus: Tarkat kirjaukset ja metrit.
# Using pre-built image from Docker Hub (recommended)
docker run -d \
--name translator \
-p 8000:8000 \
-e ENABLE_QUEUE=1 \
-e MAX_QUEUE_SIZE=500 \
-e EASYNMT_BATCH_SIZE=16 \
-e TIMEOUT=180 \
-e LOG_LEVEL=INFO \
-e REQUEST_LOG=0 \
scottgal/mostlylucid-nmt
# Or build locally
docker build -t mostlylucid-nmt .
docker run -d --name translator -p 8000:8000 mostlylucid-nmt
# Check logs
docker logs -f translator
# Using pre-built GPU image from Docker Hub (recommended)
docker run -d \
--name translator-gpu \
--gpus all \
-p 8000:8000 \
-e USE_GPU=true \
-e DEVICE=cuda:0 \
-e PRELOAD_MODELS="en->de,de->en,en->fr,fr->en,en->es,es->en" \
-e EASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}' \
-e EASYNMT_BATCH_SIZE=64 \
-e MAX_CACHED_MODELS=8 \
-e ENABLE_QUEUE=1 \
-e MAX_QUEUE_SIZE=2000 \
-e WEB_CONCURRENCY=1 \
-e TIMEOUT=180 \
-e GRACEFUL_TIMEOUT=30 \
-e LOG_FORMAT=json \
-e LOG_TO_FILE=1 \
-v /var/log/translator:/var/log/marian-translator \
scottgal/mostlylucid-nmt:gpu
# Or build locally
docker build -f Dockerfile.gpu -t mostlylucid-nmt:gpu .
docker run -d --name translator-gpu --gpus all -p 8000:8000 mostlylucid-nmt:gpu
# Monitor cache and performance
watch -n 5 "curl -s http://localhost:8000/cache | jq"
version: '3.8'
services:
translator:
image: scottgal/mostlylucid-nmt:gpu # Use pre-built image
container_name: translator
restart: unless-stopped
deploy:
resources:
reservations:
devices:
- driver: nvidia
count: 1
capabilities: [gpu]
ports:
- "8000:8000"
environment:
USE_GPU: "true"
DEVICE: "cuda:0"
PRELOAD_MODELS: "en->de,de->en,en->fr,fr->en"
EASYNMT_MODEL_ARGS: '{"torch_dtype":"fp16"}'
EASYNMT_BATCH_SIZE: "64"
MAX_CACHED_MODELS: "8"
ENABLE_QUEUE: "1"
MAX_QUEUE_SIZE: "2000"
WEB_CONCURRENCY: "1"
TIMEOUT: "180"
LOG_FORMAT: "json"
LOG_TO_FILE: "1"
volumes:
- translator-logs:/var/log/marian-translator
- translator-cache:/root/.cache/huggingface
healthcheck:
test: ["CMD", "curl", "-f", "http://localhost:8000/healthz"]
interval: 30s
timeout: 10s
retries: 3
start_period: 40s
volumes:
translator-logs:
translator-cache:
apiVersion: apps/v1
kind: Deployment
metadata:
name: translator
spec:
replicas: 2 # Scale horizontally for CPU, use 1 per GPU
selector:
matchLabels:
app: translator
template:
metadata:
labels:
app: translator
spec:
containers:
- name: translator
image: scottgal/mostlylucid-nmt:gpu
ports:
- containerPort: 8000
env:
- name: USE_GPU
value: "true"
- name: EASYNMT_MODEL_ARGS
value: '{"torch_dtype":"fp16"}'
- name: PRELOAD_MODELS
value: "en->de,de->en"
- name: ENABLE_QUEUE
value: "1"
- name: MAX_QUEUE_SIZE
value: "2000"
resources:
requests:
memory: "4Gi"
cpu: "2"
nvidia.com/gpu: 1
limits:
memory: "8Gi"
cpu: "4"
nvidia.com/gpu: 1
livenessProbe:
httpGet:
path: /healthz
port: 8000
initialDelaySeconds: 30
periodSeconds: 10
readinessProbe:
httpGet:
path: /readyz
port: 8000
initialDelaySeconds: 20
periodSeconds: 5
---
apiVersion: v1
kind: Service
metadata:
name: translator
spec:
selector:
app: translator
ports:
- port: 80
targetPort: 8000
type: LoadBalancer
MALLI_MALLI
EASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}'
: Hyvä laatu, 100 kieltä, yksi 2,2GB-malli
# Start high, reduce if you get OOM
EASYNMT_BATCH_SIZE=64 # Try 128 on large GPUs
AUTO_MODEL_FALLBACK
PRELOAD_MODELS="en->de,de->en,en->fr,fr->en,en->es,es->en"
: Kokeile automaattisesti muita perheitä, jos paria ei ole saatavilla
WEB_CONCURRENCY=1
MAX_INFLIGHT_TRANSLATIONS=1
(oletus): Käytössä - enimmäiskattavuus
MAX_CACHED_MODELS=10 # Keep more models in VRAM
: Vammainen – tiukka yhden perheen tila
# beam_size=1 is 3-5x faster than beam_size=5
# Quality difference is often minimal
curl -X POST ... -d '{"beam_size": 1, ...}'
: Ensisijainen järjestys varatoimille
EASYNMT_BATCH_SIZE=8
Oletus:
MAX_WORKERS_BACKEND=4
MAX_INFLIGHT_TRANSLATIONS=4
WEB_CONCURRENCY=2
(laatu ensin)
PERFORM_SENTENCE_SPLITTING_DEFAULT=0
(kansi ensin)
// Bad: 100 separate requests
for (const text of texts) {
await translate(text);
}
// Good: 1 batch request
await translate(texts);
MODEL_CACHE_DIR
async function translateWithRetry(texts) {
try {
return await translate(texts);
} catch (err) {
if (err.status === 429) {
const retryAfter = err.headers['retry-after'];
const jitter = Math.random() * 5;
await sleep((retryAfter + jitter) * 1000);
return translateWithRetry(texts);
}
throw err;
}
}
: Jatkuvaa mallivarastointia Docker-volyymien kautta
// Reuse HTTP connections
const agent = new https.Agent({ keepAlive: true });
Aseta
// Bad: mixed language pairs in one request
translate([
{ text: "Hello", sourceLang: "en", targetLang: "de" },
{ text: "Bonjour", sourceLang: "fr", targetLang: "de" }
]);
// Good: group by language pair
translateBatch(enToDe, "en", "de");
translateBatch(frToDe, "fr", "de");
Käytä esimerkkejä
translation_requests_total{lang_pair="en->de",status="success"} 1523
translation_requests_total{lang_pair="en->de",status="error"} 7
translation_duration_seconds{lang_pair="en->de",quantile="0.5"} 0.342
translation_duration_seconds{lang_pair="en->de",quantile="0.95"} 1.234
translation_queue_depth 23
translation_cache_size 6
translation_cache_hits_total 8234
translation_cache_misses_total 142
# Enable JSON logging
LOG_FORMAT=json REQUEST_LOG=1
# Output example
{
"ts": "2025-01-08T15:30:45+0000",
"level": "INFO",
"name": "app",
"message": "translate_post done items=5 dt=0.342s",
"req_id": "a3d2f5b1-c4e6-4f7a-9d8c-1e2f3a4b5c6d",
"endpoint": "/translate",
"src": "en",
"tgt": "de",
"items": 5,
"duration_ms": 342
}
Erän käännös (suositeltu)
Vain kielentunnistus |---------|---------|-----------------| | Havaittavissa olevat päätepisteetVastapaineen käsittely | Rakentaminen ja muuntaminenKaikki Dockerin kuvat sisältävät nyt oikean version ja metadatan seurantaa varten. | Nopea rakentaminenRakenna kaikki 4 versiota automaattisella treffiversiolla: | **Ikkunat:**Linux/Mac: | MuokkausstrategiaJokainen rakennus luo | kaksi tagiaNimetty tunniste | ) - aina viittaa tuoreimpaanMallin tunniste | (esim.) - muuttumaton tilannekuva | **Esimerkkejä:**OCI-etiketit | **Jokaisessa kuvassa on metatiedot:**Malli | **: Rakentakaa aikaleima (VVVVMMDD.HHMMSS)**Rakenna päivämäärä | : ISO 8601 -leimaGit-toimitus
: cpu-full, cpu-min, gpu-full, tai gpu-minTarkasta etiketit:
Yksityiskohtaiset rakennusohjeet ja CI/CD-integraatio: ks.
MAX_QUEUE_SIZEMAX_INFLIGHT_TRANSLATIONSGPU:n käyttöönottoSuorituskyvyn optimointiGPU:n optimointitarkistuslista
Käytä FP16-tarkkuutta
ENABLE_QUEUE=1Viritetään erän kokoEsilataa kuumat mallit
Yksi työntekijä GPU:ta kohden
EASYNMT_BATCH_SIZEMAX_CACHED_MODELSEASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}'WEB_CONCURRENCY=1Lisää samankaltaisuuttaMAX_INFLIGHT_TRANSLATIONS=1Asiakkaan parhaat käytännötEräpyynnöt
Kunnioituksen uudelleenyrittäminen
PRELOAD_MODELS="en->de,de->en"
Ryhmittele kieliparin mukaan Helsinki-NLP/opus-mt-{src}-{tgt}Seuranta ja havainnointi
Keskeisiä metriikkejä seurattavaksi
PIVOT_FALLBACK=1(pyynnöt/pyynnöt)curl http://localhost:8000/lang_pairsJonotussyvyys(nykyinen odotusmäärä)
Välimuistin osumaprosentti
MASK_EMOJI=0VirheprosenttiMASK_PUNCT=0SYMBOL_MASKING=0(tapauksen mukaan)
public class MostlyLucidNmtClient
{
private readonly HttpClient _httpClient;
private readonly string _baseUrl;
public MostlyLucidNmtClient(HttpClient httpClient, string baseUrl)
{
_httpClient = httpClient;
_baseUrl = baseUrl;
}
public async Task<TranslationResponse> TranslateAsync(
List<string> texts,
string targetLang,
string sourceLang = "",
int beamSize = 1,
bool performSentenceSplitting = true,
CancellationToken cancellationToken = default)
{
var request = new TranslationRequest
{
Text = texts,
TargetLang = targetLang,
SourceLang = sourceLang,
BeamSize = beamSize,
PerformSentenceSplitting = performSentenceSplitting
};
var response = await _httpClient.PostAsJsonAsync(
$"{_baseUrl}/translate",
request,
cancellationToken);
if (response.StatusCode == System.Net.HttpStatusCode.TooManyRequests)
{
// Read Retry-After header
var retryAfter = response.Headers.RetryAfter?.Delta?.TotalSeconds ?? 30;
var jitter = Random.Shared.Next(0, 5);
await Task.Delay(TimeSpan.FromSeconds(retryAfter + jitter), cancellationToken);
// Retry
return await TranslateAsync(texts, targetLang, sourceLang, beamSize,
performSentenceSplitting, cancellationToken);
}
response.EnsureSuccessStatusCode();
return await response.Content.ReadFromJsonAsync<TranslationResponse>(cancellationToken);
}
}
public class TranslationRequest
{
[JsonPropertyName("text")]
public List<string> Text { get; set; }
[JsonPropertyName("target_lang")]
public string TargetLang { get; set; }
[JsonPropertyName("source_lang")]
public string SourceLang { get; set; }
[JsonPropertyName("beam_size")]
public int BeamSize { get; set; }
[JsonPropertyName("perform_sentence_splitting")]
public bool PerformSentenceSplitting { get; set; }
}
public class TranslationResponse
{
[JsonPropertyName("target_lang")]
public string TargetLang { get; set; }
[JsonPropertyName("source_lang")]
public string SourceLang { get; set; }
[JsonPropertyName("translated")]
public List<string> Translated { get; set; }
[JsonPropertyName("translation_time")]
public double TranslationTime { get; set; }
}
Muistinkäyttö
services.AddHttpClient<MostlyLucidNmtClient>(client =>
{
client.BaseAddress = new Uri("http://translator:8000");
client.Timeout = TimeSpan.FromMinutes(3);
});
Esimerkki Prometheus Metrics**Jos yhdistät Prometheuksen (ei sisäänrakennettu, mutta helppo lisätä):**Strukturoitu kirjausesimerkki
Vertailu: EasyNMT vs. EnimmäkseenLucid-NMT
Syötteen käsittely
Havainnointikelpoisuus
Manuaali, ei välilyöntejä LRU:n välimuistissa, jossa on automaattiohjaus
AsetuksetVähittäiskauppa 40+ env-varustamot hienosäätöä vartenAPI-yhteensopivuus
# Maximum coverage with auto-fallback (recommended!)
docker run -d -p 8000:8000 \
-v ./model-cache:/models \
-e MODEL_CACHE_DIR=/models \
-e AUTO_MODEL_FALLBACK=1 \
-e MODEL_FALLBACK_ORDER="opus-mt,mbart50,m2m100" \
scottgal/mostlylucid-nmt:cpu-min
# GPU with best quality
docker run -d --gpus all -p 8000:8000 \
-e USE_GPU=true \
-e MODEL_FAMILY=opus-mt \
-e EASYNMT_MODEL_ARGS='{"torch_dtype":"fp16"}' \
scottgal/mostlylucid-nmt:gpu
# Test it
curl -X POST http://localhost:8000/translate \
-H 'Content-Type: application/json' \
-d '{"text": ["Hello world"], "target_lang": "de"}'
OOM (Ulkomuisti) GPU:ssa
Syy:
Eräkoko liian suuri tai liian monta lokeroitua mallia.
Hidas ensimmäinen pyyntö[Syy:
Translation NMT Neural Machine Translation Python FastAPI Docker CUDA PyTorch Transformers Helsinki-NLP Production Microservices API
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.