Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/iamrosada0/python-machine-learning
python machine learning using tensorflow
https://github.com/iamrosada0/python-machine-learning
keras keras-neural-networks lambda-functions machine-learning pandas python tensorflow
Last synced: 2 days ago
JSON representation
python machine learning using tensorflow
- Host: GitHub
- URL: https://github.com/iamrosada0/python-machine-learning
- Owner: iamrosada0
- License: mit
- Created: 2025-01-26T17:27:06.000Z (4 days ago)
- Default Branch: main
- Last Pushed: 2025-01-26T17:40:56.000Z (4 days ago)
- Last Synced: 2025-01-26T18:27:59.770Z (3 days ago)
- Topics: keras, keras-neural-networks, lambda-functions, machine-learning, pandas, python, tensorflow
- Language: Python
- Homepage:
- Size: 15.6 KB
- Stars: 0
- Watchers: 2
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Tradução de Texto com Interface Gráfica
Este projeto é uma aplicação que permite traduzir textos entre diferentes idiomas utilizando uma interface gráfica desenvolvida em Python com a biblioteca `tkinter`. Ele também utiliza um modelo de sequência para sequência (seq2seq) para realizar a tradução do texto fornecido.
## Funcionalidades
- **Interface Gráfica (GUI):** Permite ao usuário inserir o texto de entrada, selecionar o idioma e visualizar o texto traduzido.
- **Modelo Seq2Seq:** Utiliza um modelo de redes neurais para realizar a tradução automática de texto.
- **Treinamento e Decodificação:** Inclui funções para treinar o modelo e decodificar as sequências traduzidas.
## Requisitos
- Python 3.8+
- Bibliotecas necessárias:
- `tkinter` (interface gráfica)
- `numpy` (operações matemáticas e vetoriais)
- `tensorflow` (treinamento e execução do modelo)
## Instalação
1. **Clone o repositório:**
```bash
git clone https://github.com/seu-usuario/seu-repositorio.git
cd seu-repositorio
```
2. **Instale as dependências:**
Certifique-se de que você tem o Python e o `pip` instalados. Em seguida, execute:
```bash
pip install -r requirements.txt
```
Caso o arquivo `requirements.txt` não esteja presente, instale manualmente as dependências:
```bash
pip install numpy tensorflow
```
3. **Execute a aplicação:**
```bash
python app.py
```
## Uso
1. **Abra a aplicação:** Execute o arquivo `app.py` para abrir a interface.
2. **Insira o texto:** No campo de entrada, digite o texto que deseja traduzir.
3. **Selecione o idioma:** Escolha o idioma de destino para a tradução.
4. **Veja o resultado:** Clique no botão para traduzir e visualize o texto traduzido no campo de saída.
## Exemplo de Uso do Modelo Seq2Seq
### Função de Decodificação
A função `decode_sentence` é responsável por processar a sequência de texto traduzido:
```python
def decode_sentence(input_seq):
# Gera a sequência traduzida com base no modelo seq2seq
states_value = encoder_model.predict(input_seq)
target_seq = np.zeros((1, 1, num_decoder_tokens))
target_seq[0, 0, target_token_index['\t']] = 1.0
stop_condition = False
decoded_sentence = ''
while not stop_condition:
output_tokens, h, c = decoder_model.predict(
[target_seq] + states_value)
sampled_token_index = np.argmax(output_tokens[0, -1, :])
sampled_char = reverse_target_char_index[sampled_token_index]
decoded_sentence += sampled_char
if (sampled_char == '\n' or
len(decoded_sentence) > max_decoder_seq_length):
stop_condition = True
target_seq = np.zeros((1, 1, num_decoder_tokens))
target_seq[0, 0, sampled_token_index] = 1.0
states_value = [h, c]
return decoded_sentence
```
Essa função pode ser personalizada para atender às necessidades específicas do projeto.
## Contribuição
Contribuições são bem-vindas! Siga os passos abaixo:
1. Faça um fork do repositório.
2. Crie um branch para sua feature/bugfix:
```bash
git checkout -b minha-feature
```
3. Faça commit das suas alterações:
```bash
git commit -m "Minha nova feature"
```
4. Envie para o branch principal:
```bash
git push origin minha-feature
```
5. Abra um Pull Request.
## Licença
Este projeto está licenciado sob a licença MIT. Consulte o arquivo `LICENSE` para mais informações.
## Autor
Desenvolvido por [iamrosada0](https://github.com/iamrosada).