语言翻译产品系统

🌍 跨境电子商务
需求：跨国电商平台需要将商品标题、描述、用户评论等从英语自动翻译成法语，以便向法语区买家展示。

应用：训练后的模型可部署为实时翻译API，将英语商品信息批量或实时转换为法语，降低人工翻译成本，提升上架效率。

💬 多语言客服系统
需求：客服系统需要将英语用户提问即时翻译为法语，再由法语客服回复翻译回英语。

应用：模型可作为中间件嵌入客服聊天平台，实现双语会话的无缝转换，提升服务响应速度和国际化能力。

📄 文档本地化（辅助翻译）
需求：企业需要将英文技术文档、法律条款、市场材料快速译为法语草稿。

应用：模型提供初译版本，翻译人员在此基础上校正，显著提高本地化生产效率，尤其适用于大批量、重复性高的文本。

🧳 旅游与出行
需求：旅游App中，用户输入的英文问题（如“How to get to the Louvre?”）需翻译成法语以便本地向导或信息库查询。

应用：离线或在线部署轻量化模型（如本代码使用GRU、可裁剪），在移动端实现英语–法语短语级翻译，帮助旅客克服语言障碍。

📚 语言学习工具
需求：语言学习平台需要提供句子级翻译示例，帮助英语用户学习法语。

应用：模型可作为后台生成大量平行语料，为用户展示“输入英文→输出法语”的参考译文，辅助写作和阅读理解练习。

实现了一个基于注意力机制的 Seq2Seq 神经机器翻译模型，用于将英语句子翻译成法语句子。
主要功能模块
模块 功能
数据预处理 读取 eng-fra-v2.txt 平行语料，清洗（小写、去除特殊字符、标点规范化）、分词、构建词→索引映射字典
数据集与加载器 自定义 MyPairsDataset，支持按索引返回(英语索引序列, 法语索引序列)，并自动添加 EOS_TOKEN
编码器 (Encoder) 使用 nn.Embedding + nn.GRU，将英语句子编码为隐藏状态序列
注意力解码器 (AttnDecoder) 在每个解码时间步，计算与编码器各时间步输出的注意力权重，生成加权上下文向量 C，与当前输入拼接后送入 GRU，最后通过 LogSoftmax 输出词概率
训练流程 支持 Teacher Forcing（随机概率0.5），使用 NLLLoss 优化，记录损失曲线并保存模型
预测与可视化 对给定英语句子逐词生成法语翻译，同时绘制注意力权重矩阵热力图，观察模型关注点

1、数据清洗与预处理：我编写了 normalize_string 函数，对原始英法平行语料进行小写转换、标点规范化、去除无关字符，保证输入质量。同时实现了词表构建逻辑，生成 word2index 和 index2word 映射，并为句子添加 SOS_TOKEN / EOS_TOKEN。

自定义数据集与 DataLoader：我继承了 torch.utils.data.Dataset 创建 MyPairsDataset，实现 __getitem__ 方法将英语和法语句子转为索引张量，并封装 DataLoader 供模型批量加载（实际 batch_size=1 因句子长度不一）。

编码器（Encoder）与解码器（Decoder）搭建：我分别实现了无注意力机制的 Encoder（GRU）和带注意力机制的 AttnDecoder。编码器负责将英语句子编码为隐藏状态序列；解码器在每个时间步计算注意力权重，生成上下文向量并与当前输入拼接后送入 GRU，最后输出目标词概率。

注意力机制实现：我按照“QK拼接 → 线性变换 → Softmax → 加权求和 → 与 Q 拼接 → 再线性变换”的标准流程，在 AttnDecoder.forward 中完整实现了加法注意力（concat attention），并返回注意力权重用于可视化。

训练流程设计：我编写了 train_iters 函数处理单条样本的梯度计算，引入了 Teacher Forcing（随机概率 0.5）以加速收敛。同时实现 train 函数控制多轮迭代、损失记录、模型保存及损失曲线绘制。

模型预测与可视化：我实现了 seq2seq_evaluate 函数，在无梯度环境下逐词生成法语翻译，同时记录每个解码时间步的注意力权重矩阵，最后调用 plt.matshow 绘制热力图，直观展