Fix dependencies for machine translation (#1685)

modules/text/machine_translation/transformer/en-de/README.md

-```shell
-$ hub install transformer_en-de==1.0.0
-```
+# transformer_en-de
+|模型名称|transformer_en-de|
+| :--- | :---: | 
+|类别|文本-机器翻译|
+|网络|Transformer|
+|数据集|WMT14 EN-DE|
+|是否支持Fine-tuning|否|
+|模型大小|481MB|
+|最新更新日期|2021-07-21|
+|数据指标|-|
 
-## 概述
+## 一、模型基本信息
 
-2017 年，Google机器翻译团队在其发表的论文[Attention Is All You Need](https://arxiv.org/abs/1706.03762)中，提出了用于完成机器翻译（Machine Translation）等序列到序列（Seq2Seq）学习任务的一种全新网络结构——Transformer。Tranformer网络完全使用注意力（Attention）机制来实现序列到序列的建模，并且取得了很好的效果。
+- ### 模型介绍
 
-transformer_en-de包含6层的transformer结构，头数为8，隐藏层参数为512，参数量为64M。该模型在[WMT'14 EN-DE数据集](http://www.statmt.org/wmt14/translation-task.html)进行了预训练，加载后可直接用于预测，提供了英文翻译为德文的能力。
+  - 2017 年，Google机器翻译团队在其发表的论文[Attention Is All You Need](https://arxiv.org/abs/1706.03762)中，提出了用于完成机器翻译（Machine Translation）等序列到序列（Seq2Seq）学习任务的一种全新网络结构——Transformer。Tranformer网络完全使用注意力（Attention）机制来实现序列到序列的建模，并且取得了很好的效果。
 
-关于机器翻译的Transformer模型训练方式和详情，可查看[Machine Translation using Transformer](https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer)。
+  - transformer_en-de包含6层的transformer结构，头数为8，隐藏层参数为512，参数量为64M。该模型在[WMT'14 EN-DE数据集](http://www.statmt.org/wmt14/translation-task.html)进行了预训练，加载后可直接用于预测，提供了英文翻译为德文的能力。
 
-## API
+  - 关于机器翻译的Transformer模型训练方式和详情，可查看[Machine Translation using Transformer](https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer)。
 
+## 二、安装
 
-```python
-def __init__(max_length: int = 256,
-             max_out_len: int = 256,
-             beam_size: int = 5):
-```
-初始化module，可配置模型的输入输出文本的最大长度和解码时beam search的宽度。
+- ### 1、环境依赖  
 
-**参数**
-- `max_length`(int): 输入文本的最大长度，默认值为256。
-- `max_out_len`(int): 输出文本的最大解码长度，默认值为256。
-- `beam_size`(int): beam search方式解码的beam宽度，默认为5。
+  - paddlepaddle >= 2.1.0
+  
+  - paddlehub >= 2.1.0    | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
 
+- ### 2、安装
 
-```python
-def predict(data: List[str],
-            batch_size: int = 1,
-            n_best: int = 1,
-            use_gpu: bool = False):
-```
-预测API，输入源语言的文本句子，解码后输出翻译后的目标语言的文本候选句子。
+  - ```shell
+    $ hub install transformer_en-de
+    ```
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
+
+## 三、模型API预测
+
+- ### 1、预测代码示例
 
-**参数**
-- `data`(List[str]): 源语言的文本列表，数据类型为List[str]
-- `batch_size`(int): 进行预测的batch_size，默认为1
-- `n_best`(int): 每个输入文本经过模型解码后，输出的得分最高的候选句子的数量，必须小于beam_size，默认为1
-- `use_gpu`(bool): 是否使用gpu执行预测，默认为False
+  - ```python
+    import paddlehub as hub 
 
-**返回**
-* `results`(List[str]): 翻译后的目标语言的候选句子，长度为`len(data)*n_best`
+    model = hub.Module(name='transformer_en-de', beam_size=5)
+    src_texts = [
+        'What are you doing now?',
+        'The change was for the better; I eat well, I exercise, I take my drugs.',
+        'Such experiments are not conducted for ethical reasons.',
+    ]
 
+    n_best = 3  # 每个输入样本的输出候选句子数量
+    trg_texts = model.predict(src_texts, n_best=n_best)
+    for idx, st in enumerate(src_texts):
+        print('-'*30)
+        print(f'src: {st}')
+        for i in range(n_best):
+            print(f'trg[{i+1}]: {trg_texts[idx*n_best+i]}')
+    ```
 
-**代码示例**
+- ### 2、API
 
-```python
-import paddlehub as hub
+  - ```python
+    def __init__(max_length: int = 256,
+             max_out_len: int = 256,
+             beam_size: int = 5):
+    ```
+
+    - 初始化module，可配置模型的输入输出文本的最大长度和解码时beam search的宽度。
+
+    - **参数**
 
-model = hub.Module(name='transformer_en-de', beam_size=5)
-src_texts = [
-    'What are you doing now?',
-    'The change was for the better; I eat well, I exercise, I take my drugs.',
-    'Such experiments are not conducted for ethical reasons.',
-]
+      - `max_length`(int): 输入文本的最大长度，默认值为256。
+      - `max_out_len`(int): 输出文本的最大解码长度，默认值为256。
+      - `beam_size`(int): beam search方式解码的beam宽度，默认为5。
 
-n_best = 3  # 每个输入样本的输出候选句子数量
-trg_texts = model.predict(src_texts, n_best=n_best)
-for idx, st in enumerate(src_texts):
-    print('-'*30)
-    print(f'src: {st}')
-    for i in range(n_best):
-        print(f'trg[{i+1}]: {trg_texts[idx*n_best+i]}')
-```
+  - ```python
+    def predict(data: List[str],
+            batch_size: int = 1,
+            n_best: int = 1,
+            use_gpu: bool = False):
+    ```
 
-## 服务部署
+    - 预测API，输入源语言的文本句子，解码后输出翻译后的目标语言的文本候选句子。
 
-通过启动PaddleHub Serving，可以加载模型部署在线翻译服务。
+    - **参数**
 
-### Step1: 启动PaddleHub Serving
+      - `data`(List[str]): 源语言的文本列表，数据类型为List[str]
+      - `batch_size`(int): 进行预测的batch_size，默认为1
+      - `n_best`(int): 每个输入文本经过模型解码后，输出的得分最高的候选句子的数量，必须小于beam_size，默认为1
+      - `use_gpu`(bool): 是否使用gpu执行预测，默认为False
+    
+    - **返回**
 
-运行启动命令：
+      - `results`(List[str]): 翻译后的目标语言的候选句子，长度为`len(data)*n_best`
 
-```shell
-$ hub serving start -m transformer_en-de
-```
+## 四、服务部署
 
-通过以上命令可完成一个英德机器翻译API的部署，默认端口号为8866。
+- 通过启动PaddleHub Serving，可以加载模型部署在线翻译服务。
 
-**NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
+- ### 第一步：启动PaddleHub Serving
 
-### Step2: 发送预测请求
+  - 运行启动命令：
 
-配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
+  - ```shell
+    $ hub serving start -m transformer_en-de
+    ```
 
-```python
-import requests
-import json
+  - 通过以上命令可完成一个英德机器翻译API的部署，默认端口号为8866。
 
-texts = [
-    'What are you doing now?',
-    'The change was for the better; I eat well, I exercise, I take my drugs.',
-    'Such experiments are not conducted for ethical reasons.',
-]
-data = {"data": texts}
-# 发送post请求，content-type类型应指定json方式，url中的ip地址需改为对应机器的ip
-url = "http://127.0.0.1:8866/predict/transformer_en-de"
-# 指定post请求的headers为application/json方式
-headers = {"Content-Type": "application/json"}
+  - **NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
 
-r = requests.post(url=url, headers=headers, data=json.dumps(data))
-print(r.json())
-```
+- ## 第二步：发送预测请求
 
-## 查看代码
+  - 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
 
-https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer
+  - ```python
+    import requests
+    import json
 
-## 依赖
+    texts = [
+        'What are you doing now?',
+        'The change was for the better; I eat well, I exercise, I take my drugs.',
+        'Such experiments are not conducted for ethical reasons.',
+    ]
+    data = {"data": texts}
+    # 发送post请求，content-type类型应指定json方式，url中的ip地址需改为对应机器的ip
+    url = "http://127.0.0.1:8866/predict/transformer_en-de"
+    # 指定post请求的headers为application/json方式
+    headers = {"Content-Type": "application/json"}
 
-paddlepaddle >= 2.0.0
+    r = requests.post(url=url, headers=headers, data=json.dumps(data))
+    print(r.json())
+    ```
 
-paddlehub >= 2.1.0
+  - 关于PaddleHub Serving更多信息参考：[服务部署](../../../../docs/docs_ch/tutorial/serving.md)
 
-## 更新历史
+## 五、更新历史
 
 * 1.0.0
 
@@ -123,3 +144,6 @@ paddlehub >= 2.1.0
 * 1.0.1
 
   修复模型初始化的兼容性问题
+  - ```shell
+    $ hub install transformer_en-de==1.0.1
+    ```

modules/text/machine_translation/transformer/en-de/module.py

@@ -13,7 +13,6 @@
 # limitations under the License.
 
 import os
-from packaging.version import Version
 from typing import List
 
 import paddle
@@ -56,15 +55,12 @@ class MTTransformer(nn.Layer):
         # Vocabularies in source and target should be same for weight sharing.
         "weight_sharing": True,
         # Dropout rate
-        'dropout': 0
+        'dropout': 0,
+        # Number of sub-layers to be stacked in the encoder and decoder.
+        "num_encoder_layers": 6, 
+        "num_decoder_layers": 6
     }
 
-    # Number of sub-layers to be stacked in the encoder and decoder.
-    if Version(paddlenlp.__version__) <= Version('2.0.5'):
-        model_config.update({"n_layer": 6})
-    else:
-        model_config.update({"num_encoder_layers": 6, "num_decoder_layers": 6})
-
     # Vocab config
     vocab_config = {
         # Used to pad vocab size to be multiple of pad_factor.

modules/text/machine_translation/transformer/en-de/requirements.txt

+paddlenlp>=2.1.0
 sacremoses
 subword-nmt

modules/text/machine_translation/transformer/zh-en/README.md

-```shell
-$ hub install transformer_zh-en==1.0.0
-```
+# transformer_zh-en
+|模型名称|transformer_zh-en|
+| :--- | :---: | 
+|类别|文本-机器翻译|
+|网络|Transformer|
+|数据集|CWMT2021|
+|是否支持Fine-tuning|否|
+|模型大小|614MB|
+|最新更新日期|2021-07-21|
+|数据指标|-|
 
-## 概述
+## 一、模型基本信息
 
-2017 年，Google机器翻译团队在其发表的论文[Attention Is All You Need](https://arxiv.org/abs/1706.03762)中，提出了用于完成机器翻译（Machine Translation）等序列到序列（Seq2Seq）学习任务的一种全新网络结构——Transformer。Tranformer网络完全使用注意力（Attention）机制来实现序列到序列的建模，并且取得了很好的效果。
+- ### 模型介绍
 
-transformer_zh-en包含6层的transformer结构，头数为8，隐藏层参数为512，参数量为64M。该模型在[CWMT2021的数据集](http://nlp.nju.edu.cn/cwmt-wmt)进行了预训练，加载后可直接用于预测, 提供了中文翻译为英文的能力。
+  - 2017 年，Google机器翻译团队在其发表的论文[Attention Is All You Need](https://arxiv.org/abs/1706.03762)中，提出了用于完成机器翻译（Machine Translation）等序列到序列（Seq2Seq）学习任务的一种全新网络结构——Transformer。Tranformer网络完全使用注意力（Attention）机制来实现序列到序列的建模，并且取得了很好的效果。
 
-关于机器翻译的Transformer模型训练方式和详情，可查看[Machine Translation using Transformer](https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer)。
+  - transformer_zh-en包含6层的transformer结构，头数为8，隐藏层参数为512，参数量为64M。该模型在[CWMT2021的数据集](http://nlp.nju.edu.cn/cwmt-wmt)进行了预训练，加载后可直接用于预测, 提供了中文翻译为英文的能力。
 
-## API
+  - 关于机器翻译的Transformer模型训练方式和详情，可查看[Machine Translation using Transformer](https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer)。
 
+## 二、安装
 
-```python
-def __init__(max_length: int = 256,
-             max_out_len: int = 256,
-             beam_size: int = 5):
-```
-初始化module，可配置模型的输入输出文本的最大长度和解码时beam search的宽度。
+- ### 1、环境依赖  
 
-**参数**
-- `max_length`(int): 输入文本的最大长度，默认值为256。
-- `max_out_len`(int): 输出文本的最大解码长度，默认值为256。
-- `beam_size`(int): beam search方式解码的beam宽度，默认为5。
+  - paddlepaddle >= 2.1.0
+  
+  - paddlehub >= 2.1.0    | [如何安装PaddleHub](../../../../docs/docs_ch/get_start/installation.rst)
 
+- ### 2、安装
 
-```python
-def predict(data: List[str],
-            batch_size: int = 1,
-            n_best: int = 1,
-            use_gpu: bool = False):
-```
-预测API，输入源语言的文本句子，解码后输出翻译后的目标语言的文本候选句子。
+  - ```shell
+    $ hub install transformer_zh-en
+    ```
 
-**参数**
-- `data`(List[str]): 源语言的文本列表，数据类型为List[str]
-- `batch_size`(int): 进行预测的batch_size，默认为1
-- `n_best`(int): 每个输入文本经过模型解码后，输出的得分最高的候选句子的数量，必须小于beam_size，默认为1
-- `use_gpu`(bool): 是否使用gpu执行预测，默认为False
+  - 如您安装时遇到问题，可参考：[零基础windows安装](../../../../docs/docs_ch/get_start/windows_quickstart.md)
+ | [零基础Linux安装](../../../../docs/docs_ch/get_start/linux_quickstart.md) | [零基础MacOS安装](../../../../docs/docs_ch/get_start/mac_quickstart.md)
 
-**返回**
-* `results`(List[str]): 翻译后的目标语言的候选句子，长度为`len(data)*n_best`
+## 三、模型API预测
 
+- ### 1、预测代码示例
 
-**代码示例**
+  - ```python
+    import paddlehub as hub
 
-```python
-import paddlehub as hub
+    model = hub.Module(name='transformer_zh-en', beam_size=5)
+    src_texts = [
+        '今天天气怎么样？',
+        '我们一起去吃饭吧。',
+    ]
 
-model = hub.Module(name='transformer_zh-en', beam_size=5)
-src_texts = [
-    '今天天气怎么样？',
-    '我们一起去吃饭吧。',
-]
+    n_best = 3  # 每个输入样本的输出候选句子数量
+    trg_texts = model.predict(src_texts, n_best=n_best)
+    for idx, st in enumerate(src_texts):
+        print('-'*30)
+        print(f'src: {st}')
+        for i in range(n_best):
+            print(f'trg[{i+1}]: {trg_texts[idx*n_best+i]}')    
+    ```
 
-n_best = 3  # 每个输入样本的输出候选句子数量
-trg_texts = model.predict(src_texts, n_best=n_best)
-for idx, st in enumerate(src_texts):
-    print('-'*30)
-    print(f'src: {st}')
-    for i in range(n_best):
-        print(f'trg[{i+1}]: {trg_texts[idx*n_best+i]}')
-```
+- ### 2、API
 
-## 服务部署
+  - ```python
+    def __init__(max_length: int = 256,
+                max_out_len: int = 256,
+                beam_size: int = 5):  
+    ```
 
-通过启动PaddleHub Serving，可以加载模型部署在线翻译服务。
+    - 初始化module，可配置模型的输入输出文本的最大长度和解码时beam search的宽度。
 
-### Step1: 启动PaddleHub Serving
+    - **参数**
 
-运行启动命令：
+      - `max_length`(int): 输入文本的最大长度，默认值为256。
+      - `max_out_len`(int): 输出文本的最大解码长度，默认值为256。
+      - `beam_size`(int): beam search方式解码的beam宽度，默认为5。
 
-```shell
-$ hub serving start -m transformer_zh-en
-```
+  - ```python
+    def predict(data: List[str],
+                batch_size: int = 1,
+                n_best: int = 1,
+                use_gpu: bool = False):
+    ```
 
-通过以上命令可完成一个中英机器翻译API的部署，默认端口号为8866。
+    - 预测API，输入源语言的文本句子，解码后输出翻译后的目标语言的文本候选句子。
 
-**NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
+    - **参数**
+      - `data`(List[str]): 源语言的文本列表，数据类型为List[str]
+      - `batch_size`(int): 进行预测的batch_size，默认为1
+      - `n_best`(int): 每个输入文本经过模型解码后，输出的得分最高的候选句子的数量，必须小于beam_size，默认为1
+      - `use_gpu`(bool): 是否使用gpu执行预测，默认为False
 
-### Step2: 发送预测请求
+    - **返回**
+      - `results`(List[str]): 翻译后的目标语言的候选句子，长度为`len(data)*n_best`
 
-配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
+## 四、服务部署
 
-```python
-import requests
-import json
+  - 通过启动PaddleHub Serving，可以加载模型部署在线翻译服务。
 
-texts = [
-    '今天天气怎么样啊？',
-    '我们一起去吃饭吧。',
-]
-data = {"data": texts}
-# 发送post请求，content-type类型应指定json方式，url中的ip地址需改为对应机器的ip
-url = "http://127.0.0.1:8866/predict/transformer_zh-en"
-# 指定post请求的headers为application/json方式
-headers = {"Content-Type": "application/json"}
+  - ### 第一步: 启动PaddleHub Serving
 
-r = requests.post(url=url, headers=headers, data=json.dumps(data))
-print(r.json())
-```
+    - 运行启动命令：
 
-## 查看代码
+    - ```shell
+      $ hub serving start -m transformer_zh-en
+      ```
 
-https://github.com/PaddlePaddle/PaddleNLP/tree/develop/examples/machine_translation/transformer
+    - 通过以上命令可完成一个中英机器翻译API的部署，默认端口号为8866。
 
-## 依赖
+    - **NOTE:** 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。
 
-paddlepaddle >= 2.0.0
+  - ### 第二步: 发送预测请求
 
-paddlehub >= 2.1.0
+    - 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果
 
-## 更新历史
+    - ```python
+      import requests
+      import json
+
+      texts = [
+          '今天天气怎么样啊？',
+          '我们一起去吃饭吧。',
+      ]
+      data = {"data": texts}
+      # 发送post请求，content-type类型应指定json方式，url中的ip地址需改为对应机器的ip
+      url = "http://127.0.0.1:8866/predict/transformer_zh-en"
+      # 指定post请求的headers为application/json方式
+      headers = {"Content-Type": "application/json"}
+
+      r = requests.post(url=url, headers=headers, data=json.dumps(data))
+      print(r.json())
+      ```
+
+  - 关于PaddleHub Serving更多信息参考：[服务部署](../../../../docs/docs_ch/tutorial/serving.md)
+
+## 五、更新历史
 
 * 1.0.0
 
@@ -121,3 +141,6 @@ paddlehub >= 2.1.0
 * 1.0.1
 
   修复模型初始化的兼容性问题
+  - ```shell
+    $ hub install transformer_zh-en==1.0.1
+    ```

modules/text/machine_translation/transformer/zh-en/module.py

@@ -13,7 +13,6 @@
 # limitations under the License.
 
 import os
-from packaging.version import Version
 from typing import List
 
 import paddle
@@ -56,15 +55,12 @@ class MTTransformer(nn.Layer):
         # Vocabularies in source and target should be same for weight sharing.
         "weight_sharing": False,
         # Dropout rate
-        'dropout': 0
+        'dropout': 0,
+        # Number of sub-layers to be stacked in the encoder and decoder.
+        "num_encoder_layers": 6, 
+        "num_decoder_layers": 6
     }
 
-    # Number of sub-layers to be stacked in the encoder and decoder.
-    if Version(paddlenlp.__version__) <= Version('2.0.5'):
-        model_config.update({"n_layer": 6})
-    else:
-        model_config.update({"num_encoder_layers": 6, "num_decoder_layers": 6})
-
     # Vocab config
     vocab_config = {
         # Used to pad vocab size to be multiple of pad_factor.

modules/text/machine_translation/transformer/zh-en/requirements.txt

+paddlenlp>=2.1.0
 jieba
 sacremoses
 subword-nmt