1. 应用场景

利用计算机将源语言转换为目标语言的过程，可应用于翻译等场景。

2. 实现功能

本示例是以中英互译为背景，基于MLU服务器的机器翻译解决方案，基本功能包括web浏览器前端输入源语言，然后使用MLU服务器进行推理，最后在前端展示翻译结果。

1. 使用寒武纪智能处理卡，为端、云侧推理提供的强大运算能力支撑，并具备强大的推理功能。

2. 根据寒武纪硬件进行优化，通过多batch等方式，充分利用多个MLU core进行平行处理。

3. 基于MLU加速版本的TensorFlow框架，算力开销由为多batch性能优化过的MLU算子执行，具有很高的执行效率。

1. 硬件平台

寒武纪MLU270系列智能处理卡

寒武纪 MLU270采用寒武纪MLUv02架构，可支持视觉、语音、自然语言处理以及传统机器学习等多样化的人工智能应用，更为视觉应用集成了充裕的视频和图像编解码硬件单元。

MLU270集成了寒武纪在处理器架构领域的一系列创新性技术，处理非稀疏深度学习模型的理论峰值性能提升至上一代思元100的4倍，达到128TOPS(INT8)；同时兼容INT4和INT16运算，理论峰值分别达到256TOPS和64TOPS；支持浮点运算和混合精度运算。  

案例展示

2. 软件环境

依赖寒武纪驱动(Cambricon Driver)，寒武纪软件(Cambricon Neuware)中的编解码库（CNCodec）、运行时库（CNRT）、CNDev、CNDrv、CNML、CNPlugin等。

机器翻译示例，可以通过运行docker环境中的机器翻译项目，然后根据提示在浏览器中打开提示的网站，体验机器翻译示例。

1. 整体流程

2. 解释

1) 模型简介

中英互译使用的神经网络模型为Transformer模型。Transformer摒弃了传统的CNN和RNN结构，基于Attention机制和前馈神经网络搭建了Encoder-Decoder结构。

• 实现时间：2017
• 论文地址：https://arxiv.org/abs/1706.03762
• 开源实现：https://github.com/tensorflow/tensor2tensor

基于Transformer的神经网络可以通过堆叠多个Encoder-Decoder的形式进行搭建，如下图所示，左半部分为Encoder，右半部分为Decoder。Transformer-Base模型搭建了Encoder和Decoder各六层。

每一层Encoder由两个子层组成：Multi-head Self Attention层和全连接前馈网络层，每个子层输出都使用残差连接并加上Layer Normalization 。

Self Attention层建立了不同位置词向量之间的依赖关系。每一层Decoder中除了含有Encoder中的两个子层外，还增加了一个Encoder-Decoder Attention层，建立了源语言词向量与目标语言词向量之间的依赖关系。

由于Attention机制中没有包含位置信息，因此引入了Positional Encoding(位置编码)为输入词向量增加了位置信息。

2) 推理实现

实现基于MLU推理的接口，包括网络的前处理、后处理、Transformer网络模型在线运行等。

• 前处理主要包括对源语言文本进行分词、编码等操作，得到适配网络模型的输入。分词实现将一段长文本分解为若干个字词单位，编码是将字词单位映射为词表ID。

• 后处理主要对模型预测得到的词表ID序列进行解码，即将词表ID转换为目标语言文本。

3）前端页面

web服务框架使用Flask 框架搭建，整个流程包括响应用户前端页面操作，调用后端翻译计算，返回翻译结果给前端页面展示给用户。

前端页面主要用来与用户进行交互，提供以下功能：

• 翻译语言选择
• 输入文本与翻译结果显示

前端页面简图如下图所示

模型输入：encoded_txt（输入文本的词表ID序列）

模型输出：目标语言的词表ID序列

将在GitHub（https://github.com/Cambricon）上开源，感谢您的关注。