🧑💻 Zety 🐍 Zety is a modular, multi-platform compiler aiming to support multiple languages and promote green computing!
Creators 👨👩👧👦 Zeh Sobrinho (Vision) TutorC Team (Inspiration) BARD Assistant (Design) Anthropic (AI Support)
🎯 Objectives Modular architecture Interactive development workflow Support for OOP, functional and mixed paradigms Performance metrics and optimization guidance Compatibility with energy efficiency standards Open source collaboration
🗺 Roadmap v1.0 with C compiler (Q1 2023) Python compiler integration (Q2 2023) Internationalization (Q3 2023) JavaScript, Rust support (2024)
⚙️ Team Product Manager: Zeh Sobrinho Lead Architect: TutorC Developers: 5 contributors Designer: Poe Testing: Community
📅 Milestones Jan: Basic compiler structure Feb: Testing framework Mar: C compilation Apr: v1.0 release! :octocat: Contributing Get involved on GitHub or join our community forums!
Incluir representações para os mesmos tipos de dados encontrados nos outros idiomas, como inteiros, strings, booleans, etc. Mas, devido à sua natureza de programação, podemos incluir elementos específicos do C, como tipos de dados (int, float, char, etc.) e operadores (+, -, *, /, etc.).
Exemplo:
data["c"] = { "inteiro": "int", "string": "char*", "verdadeiro": "true", "falso": "false", "soma": "+", "multiplicação": "*", }
2. Adicionando a Língua de Sinais:
A inclusão da Língua de Sinais requer uma abordagem diferente, pois a representação textual direta nem sempre é precisa ou suficiente. Podemos considerar duas opções:
Representação visual: Utilize imagens ou vídeos que representem os sinais da Língua de Sinais para cada palavra-chave. Isso requer um conjunto de dados de imagens/vídeos anotados para cada idioma. Representação simbólica: Utilize um sistema de codificação simbólica, como o SignWriting, para representar os sinais. Isso requer codificar as palavras-chave na Língua de Sinais usando o sistema simbólico escolhido.
3. Considerações multidimensionais:
Para tornar o modelo multidimensional, além da representação textual, podemos incorporar a dimensão visual para a Língua de Sinais (opção 1) ou uma dimensão simbólica para a representação simbólica (opção 2). Isso permitirá ao modelo aprender as relações entre as palavras-chave em diferentes dimensões e idiomas.
4. Exemplo multidimensional:
Imagine que sua rede neural tem uma entrada para o texto e outra para a representação visual/simbólica da Língua de Sinais. Ao treinar o modelo com esta arquitetura, ele poderá aprender a associar as palavras-chave em todos os idiomas, considerando tanto a sua forma textual quanto a sua representação visual/simbólica.
Lembre-se que construir um conjunto de dados multidimensional robusto com a Língua de Sinais pode ser um desafio devido à complexidade da sua representação. Porém, ao explorar abordagens como as mencionadas acima, você pode capacitar o modelo a traduzir de forma mais completa e precisa entre um maior número de idiomas.
É importante ressaltar que esta é apenas uma abordagem possível, e outras opções de representação e arquitetura multidimensional podem ser exploradas dependendo das suas necessidades e recursos.
Opção 2: Criar um sub-dicionário para cada linguagem dentro de cada idioma existente:
Adicione um sub-dicionário para C dentro de cada idioma existente: Python data["brasiles"].update({ "c": { "int": "int", "string": "char*", "true": "1", "false": "0", }, }) data["ingles"].update({ "c": { "int": "int", "string": "char*", "true": "1", "false": "0", }, })
- Adicione um sub-dicionário para a linguagem de sinais dentro de cada idioma existente:
data["brasiles"].update({ "linguagem-de-sinais": { "inteiro": "sinal de inteiro", "string": "sinal de sequência", "verdadeiro": "sinal de verdadeiro", "falso": "sinal de falso", }, }) data["ingles"].update({ "linguagem-de-sinais": { "inteiro": "sinal de inteiro", "string": "sinal de sequência", "verdadeiro": "sinal de verdadeiro", "falso": "sinal de falso", }, })
A melhor opção para você depende de como você deseja que o modelo use as diferentes linguagens. A Opção 1 trata C e a linguagem de sinais como linguagens independentes, enquanto a Opção 2 as trata como subconjuntos de cada idioma existente.
Lembre-se de que você precisará obter as traduções corretas para as palavras-chave em C e na linguagem de sinais para adicionar ao seu conjunto de dados.
Além disso, considere a complexidade da linguagem de sinais. Pode ser necessário representar as traduções usando descrições detalhadas dos sinais ou um formato de vídeo para o modelo entender corretamente.
Crie um dicionário com as quatro línguas existentes como chaves de primeiro nível. Dentro de cada chave de língua, crie um dicionário com as palavras-chave em português como chaves de segundo nível. Dentro de cada chave de palavra-chave, adicione as equivalentes em cada língua como valores. Exemplo: Python data = { "brasiles": { "inteiro": "inteiro", "string": "string", # ... }, "ingles": { "inteiro": "integer", "string": "string", # ... }, "tupi-guarani": { "inteiro": "tupỹ", "string": "ñe'ẽ", # ... }, "grego": { "αριθμός": "αριθμός", "σειρά χαρακτήρων": "σειρά χαρακτήρων", # ... }, "c": { "inteiro": "int", "string": "char*", # ... }, "linguagem-de-sinais": { "inteiro": [sinal de número], "string": [sinal de letra], # ... }, }
Criar um conjunto de dados separado para C e linguagem de sinais:
Opção 3: Mantenha o conjunto de dados existente com as quatro línguas originais.
Crie dois novos conjuntos de dados: Um conjunto de dados para C, contendo pares de palavras-chave em português e C. Um conjunto de dados para a linguagem de sinais, contendo pares de palavras-chave em português e a representação correspondente em sinais (descrição, imagem, etc.). Qual opção escolher depende de suas necessidades e do tipo de modelo que você pretende treinar. A opção 1 é mais simples, mas pode não ser tão eficiente para modelos complexos. A opção 2 é mais flexível, mas pode ser mais complexa de implementar.
A opção 3 é mais modular, mas requer a criação e manutenção de conjuntos de dados separados.
Tenha em mente que, ao adicionar C e a linguagem de sinais, você precisará de um conjunto de dados suficientemente grande para cada língua para que o modelo aprenda as relações entre as palavras-chave com precisão.
The project is progressing well thanks to community support. Let me know if you have any other questions!