Copy disabled (too large)
Download .txt
Showing preview only (11,390K chars total). Download the full file to get everything.
Repository: sherlcok314159/ML
Branch: main
Commit: 86783abfabef
Files: 40
Total size: 10.6 MB
Directory structure:
gitextract_2zywp_a9/
├── .github/
│ └── FUNDING.yml
├── NN/
│ ├── CNN/
│ │ └── cnn.md
│ ├── DNN/
│ │ ├── DNN_IMDB.py
│ │ ├── IMDB.md
│ │ └── dnn.md
│ ├── RNN/
│ │ ├── LSTM/
│ │ │ ├── lstm_embedding.py
│ │ │ ├── 文本分类_lstm_subword.py
│ │ │ └── 文本生成.py
│ │ ├── eng-fra.txt
│ │ ├── rnn.md
│ │ ├── rnn.py
│ │ ├── seq2seq.md
│ │ └── 单向rnn、双向rnn_embedding.py
│ ├── activation.md
│ ├── bp.md
│ └── problems.md
├── README.md
├── data_process/
│ ├── normalization.md
│ └── numpy.md
├── loss/
│ └── loss_.md
├── models/
│ └── Regression/
│ ├── 04_training_linear_models.ipynb
│ └── LinearRegression.ipynb
├── nlp/
│ ├── code/
│ │ ├── modeling.py
│ │ ├── run_classifier.py
│ │ ├── run_squad.py
│ │ └── tokenization.py
│ ├── embedded.md
│ ├── fast.md
│ ├── load_data.md
│ ├── models/
│ │ ├── bert.md
│ │ ├── functions.py
│ │ ├── transformer.md
│ │ ├── transformer_.md
│ │ └── transformer_translate.md
│ ├── practice/
│ │ └── sentiment.md
│ ├── preprocess.md
│ └── tasks/
│ ├── text.md
│ └── understand.md
├── optimization/
│ └── GD.md
└── problems.md
================================================
FILE CONTENTS
================================================
================================================
FILE: .github/FUNDING.yml
================================================
custom:[https://github.com/sherlcok314159/ML/blob/main/sponsor.jpg]
================================================
FILE: NN/CNN/cnn.md
================================================
### Convolutional Neural Network
章节
- [Filter](#filter)
- [池化](#pooling)
- [Demo](#demo)
- [冷知识](#cold)
- [参考](#references)
CNN 一共分为输入，卷积，池化，拉直，softmax，输出
卷积由互关运算（用Filter完成）和激活函数
### <span id='filter'>Filter</span>
CNN常用于图像识别，在深度学习中我们不可能直接将图片输入进去，**向量是机器学习的通行证**，我们将图片转换为像素矩阵再送进去，对于黑白的图片，每一个点只有一个像素值，若为彩色的，每一个点会有三个像素值（RGB）
互关运算其实就是做矩阵点乘运算，用下面的Toy Example说明：其实就是用kernel(filter)来与像素矩阵局部做乘积，如下图，output的第一个阴影值其实是input和kernel的阴影部分进行矩阵乘法所得
接下来引入一个参数（Stride），代表我们每一次滤波器在像素矩阵上移动的步幅，步幅共分为水平步幅和垂直步幅，下图为水平步幅为2，垂直步幅为3的设置
所以filter就不断滑过图片，所到之处做点积，那么，做完点积之后的shape是多少呢？假设input shape是32 * 32，stride 为1，filter shape 为4 * 4，那么结束后的shape为29 * 29，计算公式是((input shape - filter shape) / stride ) + 1，记住在深度学习中务必要掌握每一层的输入输出。
那么，假如stride改为3，那么((32 - 4) / 3) + 1 不是整数，所以这样的设定是错误的，那么，我们可以通过padding的方式填充input shape，用0去填充，这里padding设为1，如下图，填充意味着输入的宽和高都会进行增加2 * 1，那么接下来的out shape 就是 ((32 + 2 * 1 - 4)/3) + 1，即为11 * 11
接下来引入通道（channel），或为深度（depth）的介绍，一张彩色照片的深度为3，每一个像素点由3个值组成，我们的filter的输入通道或者说是深度应该和输入的一致，举例来说，一张照片32 * 32 * 3，filter可以设置为3 * 3 * 3，我们刚开始理解了一维的互关运算，三维无非就是filter拿出每一层和输入的每一层做运算，最后再组成一个深度为3的输出，这里stride设置为1，padding也为1，所以输出的shape为30 * 30 * 3。
卷积的时候是用多个filter完成的，一般经过卷积之后的output shape 的输入通道（深度）为filter的数量，下图为输入深度为2的操作，会发现一个filter的输出最终会相加，将它的深度压为1，而不是一开始的输入通道。这是一个filter，多个filter最后放在一起，最后的深度就是filter的数量了。
**Q & A:**
**1.卷积的意义是什么呢？**
其实如果用图片处理上的专业术语，被叫做锐化，卷积其实强调某些特征，然后将特征强化后提取出来，不同的卷积核关注图片上不同的特征，比如有的更关注边缘而有的更关注中心地带等等，如下图：
当完成几个卷积层后（卷积 + 激活函数 + 池化）：
可以看出，一开始提取一些比较基础简单的特征，比如边角，后面会越来越关注某个局部比如头部甚至是整体
**2.如何使得不同的卷积核关注不同的地方？**
设置filter矩阵的值，比如input shape是4 * 4的，filter是2 * 2，filter是以一个一个小区域为单位，如果说我们想要关注每一个小区域的左上角，那么将filter矩阵的第一个值设为1，其他全为0即可
总结来说，就是通过不断改变filter矩阵的值来关注不同的细节，提取不同的特征
**3.filter矩阵里的权重参数是怎么来的？**
首先会初始化权重参数，然后通过梯度下降不断降低loss来获得最好的权重参数
**4.常见参数的默认设置有哪些？**
一般filter的数量（output channels）通常可以设置为2的指数次，如32，64，128，512，这里提供一组比较稳定的搭配（具体还得看任务而定），F（kernel_size/filter_size）= 3，stride = 1，padding = 1；F = 5，stride = 1，Padding = 2;F = 1，S = 1，P = 0
**4.参数数量？**
举例来说，filter的shape为5 * 5 * 3 ，一共6个，stride设置为1，padding设为2，卷积层为(32 * 32 * 6)，注意卷积层这里是代表最后的输出shape，输入shape为 32 * 32 * 3，那么所需要的参数数量为 6 * (5 * 5 * 3 + 1)，里面 +1 的原因是原因是做完点积运算之后会加偏置（bias），当然这个参数是可以设置为没有的
**5.1 x 1 卷积的意义是什么？**
filter的shape为1 x 1，stride = 1，padding = 0，假如input为32 * 32 * 3，那么output shape = (32 - 1) / 1 + 1 = 32，换言之，它并没有改变原来的shape，但是filter的数量可以决定输出通道，所以，1 x 1的卷积目的是改变输出通道。可以对输出通道进行升维或者降维，降维之后乘上的参数数量会减少，训练会更快，内存占用会更少。升维或降维的技术在ResNet中同样运用到啦（右图）：
另外，其实1 x 1的卷积不过是实现多通道之间的线性叠加，如果你还记得上面多通道的意思，1 x 1 卷积改变卷积核的数量，无非就是使得不同的feature map进行线性叠加而已（feature map指的是最后输出的每一层叠加出来的），因为通道的数量可以随时改变，1 x 1卷积也可以有跨通道信息交流的内涵
****
### <div id='pooling'>池化</div>
卷积好之后会用RELU进行激活，当然，这并不会改变原来的shape，这样可以增加模型的非线性兼容性，如果模型是线性的，很容易出问题，如XOR问题，接下来进行池化操作（Pooling），常见的是MaxPooling（最大池化），它基本上长得跟filter一样，只不过功能是选出区域内的最大值。假如我们的shape是4 * 4 ，池化矩阵的shape是2 * 2，那么池化后的shape是2 * 2（4 / 2）
那么，池化的意义是什么？池化又可以被成为向下取样（DownSample），经过池化之后shape会减小不少，如果说卷积的意义是提取出特征，那么，池化的意义是在这些特征中取出最有代表性的特征，这样可以降低像素的重复性，使得后续的卷积更有意义，同时可以降低shape，使得计算更为方便
当然，也还有平均池化（AveragePooling），这样做试图包含区域内的所有的特征，那么，如果图片相邻色素重复很多，那么最大池化是不错的，如果说一张图片很多不同的特征需要关注，那么可以考虑平均池化
补充一下，可以给上述池操作加一个Global，这就意味着全局，而不是一个一个的小区域
***
### <div id='demo'>Demo</div>
！！！我的PyTorch完整Demo在[colab](https://colab.research.google.com/drive/1XMlSmiZ4FjHohptX-GSHsT_CFs4EoE6f?usp=sharing)
进行卷积池化这样一组操作多次之后再全部拉直送入全连接网络，最后输出10个值，然后优化它们与真实标签的交叉熵损失，接下来用PyTorch和TensorFlow实操一下
首先先搭建一个简单的PyTorch网络，这里采用Sequential容器写法，当然也可以按照普遍的self.conv1 = ...，按照Sequential写法更加简洁明了，后面前向传播函数也没有采取x = ...不断更新x，而是直接放进layer，遍历每一层即可，简洁干净
```python
# 导入库
import torch
from torch import nn
import torchvision
from torchvision import datasets,transforms
import torch.nn.functional as F
import matplotlib.pyplot as plt
```
```python
class Net(nn.Module):
def __init__(self):
super().__init__()
self.layer = nn.Sequential(
nn.Conv2d(in_channels=1,out_channels=32,kernel_size=3),nn.ReLU(),
nn.MaxPool2d(kernel_size=2),
nn.Conv2d(32,64,2),nn.ReLU(),
nn.MaxPool2d(2,2),
nn.Flatten(),
nn.Linear(64 * 6 * 6,10),nn.Softmax(),
)
def forward(self,x):
x = self.layer(x)
return x
```
PyTorch中输入必须为(1,1,28,28)，这里比tensorflow多了一个1，这个1指的就是batch_size，这里`batch_first`为`True`，即若值为N，就会把输入分为N个小部分，每一个部分进行卷积，最后再将结果拼接起来
搭建好网络之后，建议先检验一下网络和优化器参数
```python
# 如果GPU没有就会调到CPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = Net().to(device)
print(model.parameters)
# 训练时还需要优化器（Optimizer）
optimizer = torch.optim.Adam(model.parameters())
print(optimizer)
```
接下来定义训练和测试函数，先介绍几个小知识
```python
model.train() # 启用BatchNormalization和Dropout
model.eval() # 因为是测试，所以取消两者
```
```python
i = torch.tensor([
[1,2,3],
[4,5,6]
])
# 输出最大的值和它的索引
print(i.max(1,keepdim=True))
# torch.return_types.max(values=tensor([[3],[6]]), indices=tensor([[2],[2]]))
# 一般只要索引的话：
print(i.max(1,keepdim=True))[1]
# tensor([[2],
# [2]])
```
```python
a = torch.tensor([1,2,3,4])
b = torch.tensor([[1],
[-1],
[-2],
2])
# 将a转换为与b形状相同
a.view_as(b)
print(a)
# tensor([[1],
# [2],
# [3],
# [4]])
# 相对于numpy的equal函数，判断tensor里每一个值是否相等
# 输出为True 或者 False
print(b.eq(a.view_as(b)))
# tensor([[ True],
# [False],
# [False],
# [False]])
# 求和用来判断损失和准确率
# True --> 1，False --> 0
print(b.eq(a.view_as(b)).sum())
# tensor(1)
# 最后将PyTorch的tensor转换为Python中标准值
print(b.eq(a.view_as(b)).sum().item())
# 1
```
```python
# 下载训练和测试数据集
# transforms函数可以对下载的数据做一些预处理
# Compose 指的是将多个transforms操作组合在一起
# ToTensor 是将[0,255] 范围 转换为[0,1]
# 灰度图片（channel=1），所以每一个括号内只有一个值，前者代表mean，后者std（标准差）
# 彩色图片（channel=3），所以每一个括号内有三个值，如
# transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
transform = transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.5,),(0.5,))
])
data_train = datasets.MNIST(root="填自己的主路径",
transform=transform,
train=True,
download=True)
data_test = datasets.MNIST(root="填自己的主路径",
transform=transform,
train=False)
```
```python
BATCH_SIZE = 64
EPOCHS = 20 # 总共训练批次
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
```
```python
# 加载数据集
# Load Data
train_loader = torch.utils.data.DataLoader(dataset=data_train,
batch_size=BATCH_SIZE,
shuffle=True)
test_loader = torch.utils.data.DataLoader(dataset=data_test,
batch_size=BATCH_SIZE,
shuffle=True)
```
每一次新的batch中都需要梯度清零，否则的话梯度就会跨batch
```python
def train(model,device,train_loader,optimizer,epoch):
model.train()
for batch_idx,(data,target) in enumerate(train_loader):
data,target = data.to(device),target.to(device)
optimizer.zero_grad() # 梯度清零
output = model(data)
loss = F.nll_loss(output,target) # negative likelihood loss
loss.backward() # 误差反向传播
optimizer.step() # 参数更新
if (batch_idx + 1) % 200 == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader), loss.item())) # .item()转换为python值
return loss.item()
```
因为测试的时候不需要更新参数，所以with torch.no_grad()
```python
# 定义测试函数
def test(model, device, test_loader):
model.eval()
test_loss,correct = 0 , 0
with torch.no_grad(): # 不track梯度
for data, target in test_loader:
data, target = data.to(device), target.to(device)
output = model(data)
test_loss += F.nll_loss(output, target, reduction = 'sum') # 将一批的损失相加
pred = output.max(1, keepdim = True)[1] # 找到概率最大的下标
correct += pred.eq(target.view_as(pred)).sum().item() # equals
test_loss /= len(test_loader.dataset)
acc = correct / len(test_loader.dataset)
print("\nTest set: Average loss: {:.4f}, Accuracy: {} ({:.0f}%) \n".format(
test_loss, acc ,
100.* correct / len(test_loader.dataset)
))
return acc
```
接下来定义可视化函数
```python
def visualize(lis,epoch,*label):
plt.xlabel("epochs")
plt.ylabel(label)
plt.plot(epoch,lis)
plt.show()
```
最后进行训练和测试
```python
train_ = []
test_acc = []
for epoch in range(1,EPOCHS+1):
train_loss = train(model,DEVICE,train_loader,optimizer,epoch)
acc = test(model,DEVICE,test_loader)
train_.append(train_loss)
test_acc.append(acc)
visualize(train_,[i for i in range(20)],"loss")
visualize(test_acc,[i for i in range(20)],"accuracy")
```
接下来使用tensorflow-gpu 1.14.0再实操一下
```python
from tensorflow import keras
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
import matplotlib as mpl
import sys
# solve could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.compat.v1.InteractiveSession(config=config)
# 不同库版本，使用此代码块查看
print(sys.version_info)
for module in mpl,np,tf,keras:
print(module.__name__,module.__version__)
'''
sys.version_info(major=3, minor=6, micro=9, releaselevel='final', serial=0)
matplotlib 3.3.4
numpy 1.16.0
tensorflow 1.14.0
tensorflow.python.keras.api._v1.keras 2.2.4-tf
'''
# If you get numpy futurewarning,then try numpy 1.16.0
# load train and test
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# Scale images to the [0, 1] range
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
# 1 Byte = 8 Bits，2^8 -1 = 255。[0,255]代表图上的像素，同时除以一个常数进行归一化。1 就代表全部涂黑。0 就代表没涂
# Make sure images have shape (28, 28, 1)
x_train = np.expand_dims(x_train, -1)
x_test = np.expand_dims(x_test, -1)
# CNN 的输入方式必须得带上channel，这里扩充一下维度
# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)
# y 属于 [0,9]代表手写数字的标签，这里将它转换为0-1表示，可以类比one-hot，举个例子，如果是2
# [[0,0,1,0,0,0,0,0,0,0]……]
model = keras.Sequential(
[
keras.Input(shape=(28, 28, 1)),
keras.layers.Conv2D(filters=32, kernel_size=(3, 3), activation="relu"),
keras.layers.MaxPooling2D(pool_size=(2, 2)),
keras.layers.Conv2D(filters=64, kernel_size=(3, 3), activation="relu"),
keras.layers.MaxPooling2D(pool_size=(2, 2)),
keras.layers.Flatten(),
keras.layers.Dense(units=10, activation="softmax"),
]
)
# 注意，Conv2D里面有激活函数不代表在卷积和池化的时候进行。而是在DNN里进行，最后拉直后直接接softmax就行
# kernel_size 代表滤波器的大小，pool_size 代表池化的滤波器的大小
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
model.summary()
history = model.fit(x_train, y_train, batch_size=128, epochs=15, validation_split=0.1) #10层交叉检验
score = model.evaluate(x_test, y_test)
print("Test loss:", score[0])
print("Test accuracy:", score[1])
# Test loss: 0.03664601594209671
# Test accuracy: 0.989300012588501
# visualize accuracy and loss
def plot_(history,label):
plt.plot(history.history[label])
plt.plot(history.history["val_" + label])
plt.title("model " + label)
plt.ylabel(label)
plt.xlabel("epoch")
plt.legend(["train","test"],loc = "upper left")
plt.show()
plot_(history,"acc")
plot_(history,"loss")
```
在机器学习中画精确度和loss的图很有必要，这样可以发现自己的代码中是否存在问题，并且将这个问题可视化
### <div id='cold'>冷知识</div>
>We don't minimize total loss to find the best function.
我们采取将数据打乱并分组成一个一个的mini-batch，每个数据所含的数据个数也是可调的。关于epoch
将一个mini-batch中的loss全部加起来，就更新一次参数。一个epoch就等于将所有的mini-batch都遍历一遍，并且经过一个就更新一次参数。
如果epoch设为20，就将上述过程重复20遍
****
这里再细谈一下batch 和 epoch
由图可知，当batch数目越多，分的越开，每一个epoch的速度理所应当就会**上升**的，当batch_size = 1的时候，1 epoch 就更新参数50000次 和 batch_size = 10的时候，1 epoch就更新5000次，那么如果更新次数相等的话，batch_size = 1会花**166s**;batch_size = 10每个epoch会花**17s**，总的时间就是**17 * 10 = 170s**。其实batch_size = 1不就是[SGD](../optimization/GD.md)。随机化很不稳定，相对而言，batch_size = 10，收敛的会更稳定，时间和等于1的差不多。那么何乐而不为呢？
肯定有人要问了？随机速度快可以理解，看一眼就更新一次参数
为什么batch_size = 10速度和它差不多呢？按照上面来想，应该是一个mini-batch结束再来下一个，这样慢慢进行下去，其实没理由啊。
接下来以batch_size = 2来介绍一下
学过线性代数应该明白，可以将同维度的向量拼成矩阵，来进行矩阵运算，这样每一个mini-batch都在同一时间计算出来，即为平行运算
>所有平行运算GPU都能进行加速。
那么，好奇的是到底计算机看到了什么？是一个一个的数字吗？
其实这件事情很反直觉，原以为计算机是看一张一张的图片，可是这个很难看出是单个数字而是**数字集**，那么我们试试看最大化像素
其实左下角的6其实蛮像的耶。
***
### <div id='references'>参考</div>
https://zh-v2.d2l.ai/
https://demo.leemeng.tw/
http://cs231n.stanford.edu
https://www.youtube.com/watch?v=FrKWiRv254g&list=PLJV_el3uVTsPy9oCRY30oBPNLCo89yu49&index=19
https://cs.stanford.edu/people/karpathy/convnetjs/demo/cifar10.html
================================================
FILE: NN/DNN/DNN_IMDB.py
================================================
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
for module in mpl,np,pd,tf,keras:
print(module.__name__,module.__version__)
#取出词频为前10000
vocab_size = 10000
# <3的id都是特殊字符
index_from = 3
# 这里用keras里面的imdb数据集
imdb = keras.datasets.imdb
(train_data,train_labels),(test_data,test_labels) = imdb.load_data(num_words = vocab_size,index_from = index_from)
print(train_data.shape)
print(train_labels.shape)
print(train_data[0],train_labels[0])
print(type(train_data))
print(type(train_labels))
print(np.unique(train_labels))
print(test_data.shape)
print(test_labels.shape)
word_index=imdb.get_word_index()
print(len(word_index))
print(type(word_index))
print(word_index.get("footwork"))
# 取出的词表索引从1开始，id都偏移3
word_index = {k:(v+3) for k,v in word_index.items()}
# 自定义索引0-3
word_index["<PAD>"] = 0 # 填充字符
word_index["<START>"] = 1 # 起始字符
word_index["<UNK>"] = 2 # 找不到就返回UNK
word_index["<END>"] = 3 # 结束字符
# 转成习惯的方式，索引为key,单词为value
reverse_word_index = {v:k for k,v in word_index.items()}
# 查看解码效果
print(reverse_word_index)
# {34710: 'fawn', 52015: 'tsukino', 52016: 'nunnery', 16825: 'sonja', 63960: 'vani', 1417: 'woods', ……}
# debug
print(reverse_word_index[34707])
# footwork
print(word_index.get("footwork"))
# 34707
# 随机看一下样本长度，可见长度不一
print(len(train_data[0]),len(train_data[1]),len(train_data[100]))
# 218 189 158
# 设置输入词汇表的长度，长度<500会被补全，>500会被截断
max_length = 500
# 填充padding
# value 用什么值填充
# padding 选择填充的顺序，2中pre,post
train_data = keras.preprocessing.sequence.pad_sequences(train_data,value = word_index["<PAD>"],padding="pre",maxlen = max_length)
# 使测试集要和训练集结构相同
test_data = keras.preprocessing.sequence.pad_sequences(test_data,value = word_index["<PAD>"],padding = "pre",maxlen = max_length)
# 一个单词的维度是16维
embedding_dim = 16
batch_size = 128
# 定义模型
# 定义矩阵 [vocab_size,embedding_dim]
# GlobalAveragePooling1D 全局平均值池化-在max_length这个维度上做平均，就是1x16了,在哪个维度上做Global，该维度就会消失
# 二分类问题，最后的激活函数用sigmoid
model = keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim,input_length = max_length),
keras.layers.GlobalAveragePooling1D(),
keras.layers.Dense(64,activation = "relu"),
keras.layers.Dense(1,activation = "sigmoid"),
])
model.summary()
model.compile(optimizer = "adam",loss = "binary_crossentropy",metrics = ["accuracy"])
# 数据集中只有训练集、测试集，没有验证集，就用validation_split-拿20%的训练集数据当作验证集数据
history=model.fit(train_data,train_labels,epochs=30,batch_size=batch_size,validation_split=0.2)
# 绘制学习曲线
def plot_(history,label):
plt.plot(history.history[label])
plt.plot(history.history["val_" + label])
plt.title("model " + label)
plt.ylabel(label)
plt.xlabel("epoch")
plt.legend(["train","validation"],loc = "upper left")
plt.show()
plot_(history,"acc")
plot_(history,"loss")
score = model.evaluate(
test_data,test_labels,
batch_size=batch_size,
verbose=1
)
print("Test loss:", score[0])
print("Test accuracy:", score[1])
'''
Test loss: 0.6628
Test accuracy: 0.8588
'''
================================================
FILE: NN/DNN/IMDB.md
================================================
### Sentiment Classification in IMDB
***通过DNN实现影评情感分类***
章节
- [包的准备](#prepare)
- [数据下载](#download)
- [数据预处理](#preprocess)
- [设计DNN](#design)
- [调参](#update)
**<div id='prepare'>包的准备</div>**
```python
import matplotlib.pyplot as plt
import matplotlib as mpl
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
for module in mpl,np,pd,tf,keras:
print(module.__name__,module.__version__)
'''
matplotlib 3.3.4
numpy 1.16.0
pandas 1.1.5
tensorflow 1.14.0
tensorflow.python.keras.api._v1.keras 2.2.4-tf
'''
若没有按照版本安装，如
pip3 install numpy==1.16.0
```
**<div id='download'>数据下载</div>**
```python
#取出词频为前10000
vocab_size = 10000
# <3的id都是特殊字符
index_from = 3
# 这里用keras里面的imdb数据集
imdb = keras.datasets.imdb
(train_data,train_labels),(test_data,test_labels) = imdb.load_data(num_words = vocab_size,index_from = index_from)
'''
Downloading data from https://storage.googleapis.com/tensorflow/tf-keras-datasets/imdb.npz
17465344/17464789 [==============================] - 28s 2us/step
'''
# 若要进一步了解各种参数，API示例文档 https://keras.io/api/datasets/imdb/
# 训练集的大小
print(train_data.shape)
print(train_labels.shape)
# (25000,)
# (25000,)
# 训练集的第一个样本（是向量）
print(train_data[0],train_labels[0])
'''
[1, 14, 22, 16, 43, 530, 973, 1622, 1385, 65, 458, 4468, 66, 3941, 4, 173, 36, 256, 5, 25, 100, 43, 838, 112, 50, 670, 2, 9, 35, 480, 284, 5, 150, 4,……]
1
'''
# 多维的数组 numpy.ndarray
print(type(train_data))
print(type(train_labels))
'''
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
'''
# train_labels的值0(negative),1(positive)-二分类
print(np.unique(train_labels))
# [0 1]
#测试集大小
print(test_data.shape)
print(test_labels.shape)
#(25000, 500)
#(25000,)
```
**<div id='preprocess'>数据预处理</div>**
```python
# 下载词表，就是imdb_word_index.json
# key是单词，value是索引
word_index=imdb.get_word_index()
print(len(word_index))
print(type(word_index))
# 88584
# <class 'dict'>
print(word_index.get("footwork"))
# 34698
# 取出的词表索引从1开始，id都偏移3
word_index = {k:(v+3) for k,v in word_index.items()}
# 自定义索引0-3
word_index["<PAD>"] = 0 # 填充字符
word_index["<START>"] = 1 # 起始字符
word_index["<UNK>"] = 2 # 找不到就返回UNK
word_index["<END>"] = 3 # 结束字符
# 转成习惯的方式，索引为key,单词为value
reverse_word_index = {v:k for k,v in word_index.items()}
# 查看解码效果
print(reverse_word_index)
# {34710: 'fawn', 52015: 'tsukino', 52016: 'nunnery', 16825: 'sonja', 63960: 'vani', 1417: 'woods', ……}
# 解码函数，如果找不到的话就是<UNK>，按照索引找词
def decode_review(text_ids):
return " ".join([reverse_word_index.get(word_id,"<UNK>") for word_id in text_ids])
# 逐个对单词解码，得到一篇文本
decode_review(train_data[0])
# debug
print(reverse_word_index[34707])
# footwork
print(word_index.get("footwork"))
# 34707
# 随机看一下样本长度，可见长度不一
print(len(train_data[0]),len(train_data[1]),len(train_data[100]))
# 218 189 158
# 设置输入词汇表的长度，长度<500会被补全，>500会被截断
max_length = 500
# 填充padding
# value 用什么值填充
# padding 选择填充的顺序，2中pre,post
train_data = keras.prepocessing.sequence.pad_sequences(train_data,value = word_index["<PAD>"],padding="pre",maxlen = max_length)
# 使测试集要和训练集结构相同
test_data = keras.preprocessing.sequence.pad_sequences(test_data,value = word_index["<PAD>"],padding = "pre",maxlen = max_length)
```
这里简要介绍一下两种**padding**方式，与前面代码无关，一个是在**开头**填充，一个是在**末尾**填充，在本题中好像pre train出的结果好一点
```python
train_data = [[1,2,3,34],[2,3,1,4,2]]
train_data = keras.preprocessing.sequence.pad_sequences(train_data,value = 0,padding = "pre",maxlen = 10)
print(train_data)
'''
[[ 0 0 0 0 0 0 1 2 3 34]
[ 0 0 0 0 0 2 3 1 4 2]]
'''
train_data = [[1,2,3,34],[2,3,1,4,2]]
train_data = keras.preprocessing.sequence.pad_sequences(train_data,value = 0,padding = "post",maxlen = 10)
print(train_data)
'''
[[ 1 2 3 34 0 0 0 0 0 0]
[ 2 3 1 4 2 0 0 0 0 0]]
'''
```
**<div id='design'>定义模型</div>**
```python
# 一个单词的维度是16维
embedding_dim = 16
batch_size = 128
# 定义模型
# 定义矩阵 [vocab_size,embedding_dim]
# GlobalAveragePooling1D 全局平均值池化-在max_length这个维度上做平均，就是1x16了,在哪个维度上做Global，该维度就会消失
# 二分类问题，最后的激活函数用sigmoid
model = keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim,input_length = max_length),
keras.layers.GlobalAveragePooling1D(),
keras.layers.Dense(64,activation = "relu"),
keras.layers.Dense(1,activation = "sigmoid"),
])
model.summary()
model.compile(optimizer = "adam",loss = "binary_crossentropy",metrics = ["accuracy"])
# 数据集中只有训练集、测试集，没有验证集，就用validation_split-拿20%的训练集数据当作验证集数据
history=model.fit(train_data,train_labels,epochs=30,batch_size=batch_size,validation_split=0.2)
# 绘制学习曲线
def plot_(history,label):
plt.plot(history.history[label])
plt.plot(history.history["val_" + label])
plt.title("model " + label)
plt.ylabel(label)
plt.xlabel("epoch")
plt.legend(["train","validation"],loc = "upper left")
plt.show()
plot_(history,"accuracy")
plot_(history,"loss")
```
其实可以发现已经烂掉了，发生了过拟合
```python
score = model.evaluate(
test_data,test_labels,
batch_size=batch_size,
verbose=1
)
print("Test loss: ", score[0])
print("Test accuracy: ", score[1])
'''
Test loss: 0.7127751180744171
Test accuracy: 0.85788
'''
```
接下来进行一些讨论
**<div id='update'>调参</div>**
**More neurons?**
```python
# 改成128个神经元
keras.layers.Dense(128,activation='relu'),
'''
Test loss: 0.7896
Test accuracy: 0.8556
'''
# 改成256个神经元
keras.layers.Dense(256,activation='relu'),
'''
Test loss: 0.9015
Test accuracy: 0.8531
'''
# 改成512个神经元
keras.layers.Dense(512,activation='relu'),
'''
Test loss: 1.0439
Test accuracy: 0.8510
'''
# 其实结果都反倒不好了
```
**Other activation functions?**
```python
# 试试看sigmoid
keras.layers.Dense(64,activation='sigmoid'),
'''
Test loss: 0.3955
Test accuracy: 0.8771
'''
# 哇，这个结果很棒！
# 试试看tanh
keras.layers.Dense(64,activation='tanh'),
'''
Test loss: 1.0261
Test accuracy: 0.8558
'''
# 没什么区别吧
# 试试看softmax
keras.layers.Dense(64,activation='softmax'),
'''
Test loss: 0.2950
Test accuracy: 0.8838
'''
# Cool!
# 试试看softplus
keras.layers.Dense(64,activation='softplus'),
'''
Test loss: 0.4718
Test accuracy: 0.8709
'''
# 还不错
# 试试看Elu
keras.layers.Dense(64,activation='elu'),
'''
Test loss: 0.9268
Test accuracy: 0.8544
'''
# 试试看Softsign
keras.layers.Dense(64,activation='softsign'),
'''
Test loss: 0.9815
Test accuracy: 0.8555
'''
# 试试看Exponential
keras.layers.Dense(64,activation='exponential'),
'''
Test loss: 0.9815
Test accuracy: 0.8555
'''
# 试试看Leaky Relu
keras.layers.Dense(64),
keras.layers.LeakyRelu(),
'''
Test loss: 0.8014
Test accuracy: 0.8560
'''
```
**Deep?**
尝试了各种各样的组合，最终大部分都落在[86，87]区间，还没有不DEEP来的好
**EarlyStopping?**
其实很多时候train的时候再往下其实val_loss是不会下降的，不如直接停掉，防止过拟合
代码在[Problems](../problems.md)中说过了，这里只讨论一下patience参数的影响
```python
patience = 0，accuracy: 0.8788
```
```python
patience = 1，accuracy: 0.8746
```
```python
patience = 2，accuracy: 0.8772
```
```python
patience = 3，accuracy: 0.8183
```
```python
patience = 4，accuracy: 0.8724
```
```python
patience = 4，accuracy: 0.8650
```
其实大概可以看出，很多时候我们很难找出一个patience充当万金油，不知道该跳哪一个，所以真正实操的时候，很多时候选择不跳过
一般的取值在10到100之间，取决于你的data和模型。举个例子来讲，如果你的模型下降的比较慢一开始，就把patience适当调大一点
================================================
FILE: NN/DNN/dnn.md
================================================
### DNN(Deep-Learning Neural Network)
接下来介绍比较常见的**全连接层网络（fully-connected feedfoward nerural network）**
**名词解释**
首先介绍一下神经网络的基本架构，以一个神经元为例
输入是一个**向量**，**权重（weights）**也是一个**矩阵**
把两个矩阵进行相乘，最后加上**偏差（bias）**，即*w1 * x1 + w2 * x2 + b*
神经元里面会有一个**激活函数（activation）**，比如[sigmoid,Relu](activation.md)等等，然后将这个结果当作未知量输入神经元所代表的函数
神经网络分为三个层次，从左到右分别为**输入层（Input Layer）**，**隐含层（Hidden Layer）**，**输出层（Output Layer）** 。当然在输出之前还得经过**softmax**，这里只是广义的网络架构。输入层和输出层没必要赘言。一个隐含层有很多神经元（neuron），神经元的数目是你可以设置的参数。
何为 **全连接（fully-connected）** 呢？
**每一个输入跟神经元必定两两相连**
那么，肯定有人问了
***Deep or not?***
>Universality Theorem
>Any Deep Neuron Network can be replaced by one-hidden-layer neuron network.
于是有人说，我都可以用一层代替很多层了，那为什么还用Deep，根本没必要嘛
***Why Deep?***
确实一个很宽的隐含层可以代替很多层，但是效率必须纳入比较范围
如果浅层和深层比较，按照**控制变量法**，两个参数数量必须一样，否则结果会有偏差
举个例子，接下来我要通过图片来分辨长发男，短发男，长发女，短发女。
**浅层做法：**
那我们联系一下现实，现实中**长发男**不大好找诶，这就意味着这类数据量很少，train出的结果很糟。
我们都知道如果问题比较复杂的时候，可以**将问题分为几个小问题**，算法中有个思维是**分而治之（Divide and Conquer）**。这里要介绍一下**模组化（Modularization）**。
继续上面的例子，我们可以先分辨是男是女和是长发还是短发
这样的话，数据量都是够的，train出的结果不会很糟
通过模组化用两层神经网络可以解决数据量不足的问题，这样train出的结果比一层比起来肯定是好的多的
这也可以解释其实当我们**数据不够**的时候，用**Deep Neuron Network**其实train出的结果比其他好一点
而且神奇的是，**Modularization**在**DeepLearning**的过程中会自动从训练数据中学得，Deep的过程中会把一个复杂的问题分成若干个**Simple Function**，每一个各司其职，就像是写代码的时候会写一个函数，然后再需要用的时候，**call**一下函数名就行了
> Deep is necessary.
**通用近似定理（Universal Approximation Theorem）**
只要有一层隐含层和激活层，就能够近似拟合任意的函数，其实深度学习就是去学习去一个网络来近似出一个函数，从而最大化接近相关变量的概率分布，这也是神经网络的基础。
另外，补充一点，DNN一个好处是可以决定输出的大小（shape），只要设置隐含层的神经元即可
接下来，以手写数字识别（Mnist）为例代码实操一下
```python
import matplotlib.pyplot as plt
import numpy as np
from tensorflow import keras
from tensorflow.keras import layers
import sys
import matplotlib as mpl
import tensorflow as tf
# 不同库版本，使用本代码需要查看
print(sys.version_info)
for module in mpl,np,tf,keras:
print(module.__name__,module.__version__)
'''
sys.version_info(major=3, minor=6, micro=9, releaselevel='final', serial=0)
matplotlib 3.3.4
numpy 1.16.0
tensorflow 1.14.0
tensorflow.python.keras.api._v1.keras 2.2.4-tf
'''
# If you get numpy futurewarning,then try numpy 1.16.0
# Load train and test
(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()
# Reshape to dense standard input
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
# Scale images to the [0, 1] range
x_train = x_train.astype("float32") / 255
x_test = x_test.astype("float32") / 255
# convert class vectors to binary class matrices
y_train = keras.utils.to_categorical(y_train, 10)
y_test = keras.utils.to_categorical(y_test, 10)
model = keras.Sequential(
[
keras.Input(shape=(28 * 28)),
layers.Dense(128, activation="relu"),
layers.Dense(128, activation="relu"),
layers.Dense(128, activation="relu"),
layers.Dense(10, activation="softmax"),
]
)
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=["accuracy"])
model.summary()
history = model.fit(x_train, y_train, batch_size=128, epochs=15, validation_split=0.2)
score = model.evaluate(x_test, y_test)
print("Test Loss:", score[0])
print("Test Accuracy", score[1])
# Test Loss: 0.11334700882434845
# Test Accuracy 0.9750999808311462
# 注意天下几乎没有两个相同的准确率，因为你是random出来的，在epoch之前会randomly initialize parameters
# visualize accuracy and loss
def plot_(history,label):
plt.plot(history.history[label])
plt.plot(history.history["val_" + label])
plt.title("model " + label)
plt.ylabel(label)
plt.xlabel("epoch")
plt.legend(["train","test"],loc = "upper left")
plt.show()
plot_(history,"acc")
plot_(history,"loss")
'''
@Tool : Tensorflow 2.x
Transform acc,val_acc above into accuracy,val_accuracy
'''
```
这里跟[CNN](cnn.md) 其实shape的处理是不一样的。在CNN中你必须再加一个维度来表示**channel**，而DNN这里是不需要的。读者也可以把print一下train_data.shape，会发现是(60000,28,28)。60000是数据的数目。输入shape应该是 28 * 28 = 784，为了与输入shape匹配，需要一开始**reshape成(60000,784)**
**注意**：千万别把 28 * 28 写出 (28,28)！否则会报错
```python
ValueError: Input 0 of layer sequential is incompatible with the layer: expected axis -1 of input shape to have value 28 but received input with shape (128, 784)
```
**参考文献：**
https://bnzn2426.tistory.com/category/%EB%A8%B8%EC%8B%A0%EB%9F%AC%EB%8B%9D%26%EB%94%A5%EB%9F%AC%EB%8B%9D%20%EA%B3%B5%EB%B6%80
================================================
FILE: NN/RNN/LSTM/lstm_embedding.py
================================================
# -*- coding: utf-8 -*-
"""LSTM-embedding.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1up_JyJBZ1VnlidzHKtpGMGMRc1W9uXG5
"""
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
import sklearn
import os
import sys
import time
print(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras:
print(module.__name__,module.__version__)
imdb=keras.datasets.imdb
vocab_size=10000
index_from=3
(train_data,train_labels),(test_data,test_labels)=imdb.load_data(num_words=vocab_size,index_from=index_from)
word_index=imdb.get_word_index()
print(len(word_index))
word_index={k:(v+3) for k,v in word_index.items()}
word_index['<PAD>']=0
word_index['<START>']=1
word_index['<UNK>']=2
word_index['<END>']=3
reverse_word_index=dict([
(value,key) for key,value in word_index.items()
])
def decode_review(text_ids):
return ' '.join([reverse_word_index.get(word_id,'<UNK>') for word_id in text_ids])
decode_review(train_data[0])
max_length=500
train_data=keras.preprocessing.sequence.pad_sequences(
train_data,value=word_index['<PAD>'],
padding='post',maxlen=max_length
)
test_data=keras.preprocessing.sequence.pad_sequences(
test_data,value=word_index['<PAD>'],
padding='post',maxlen=max_length
)
print(train_data[0])
# 单向LSTM
embedding_dim=16
batch_size=512
# 把DNN的全局平均换成单向RNN，时间变长，不断修改效果变好
# return_sequences:Boolean. Whether to return the last output in the output sequence, or the full sequence 文本生成、机器翻译是要返回所有序列的True,只要最后一个序列False
# 这里的变量名字应该改成model_LSTM的（代码从单向RNN复制过来正在训练，就不改了）
single_rnn_model=keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim,input_length=max_length),
keras.layers.LSTM(units=64,return_sequences=False),
# w=64,b=64
keras.layers.Dense(64,activation='relu'),
keras.layers.Dense(1,activation='sigmoid'),
])
single_rnn_model.summary()
single_rnn_model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
# 全连接层参数是4160 wx+b:x是一维的64
history_single_rnn=single_rnn_model.fit(
train_data,train_labels,
epochs=30,
batch_size=batch_size,
validation_split=0.2
)
def plot_learning_curves(history,label,epochs,min_value,max_value):
data={}
data[label]=history.history[label]
data['val_'+label]=history.history['val_'+label]
pd.DataFrame(data).plot(figsize=(8,5))
plt.grid(True)
plt.axis([0,epochs,min_value,max_value])
plt.show()
# 训练集、验证集上的准确率
plot_learning_curves(history_single_rnn,'accuracy',30,0,1)
# 训练集、验证集上的损失
plot_learning_curves(history_single_rnn,'loss',30,0,1)
"""过拟合-验证集上效果差一些"""
single_rnn_model.evaluate(
test_data,test_labels,
batch_size=batch_size,
verbose=0
)
# 双向双层LSTM
embedding_dim=16
batch_size=512
# return_sequences:Boolean. Whether to return the last output in the output sequence, or the full sequence 文本生成、机器翻译是要返回所有序列的True,只要最后一个序列False
model=keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim,input_length=max_length),
keras.layers.Bidirectional(keras.layers.LSTM(units=64,return_sequences=True)),
keras.layers.Bidirectional(keras.layers.LSTM(units=64,return_sequences=False)),
# w=64,b=64
keras.layers.Dense(64,activation='relu'),
keras.layers.Dense(1,activation='sigmoid'),
])
model.summary()
model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
# 全连接层参数是4160 wx+b:x是一维的64
history=single_rnn_model.fit(
train_data,train_labels,
epochs=30,
batch_size=batch_size,
validation_split=0.2
)
# 训练集、验证集上的准确率
plot_learning_curves(history,'accuracy',30,0,1)
# 训练集、验证集上的损失
plot_learning_curves(history,'loss',30,0,1)
# 双向单层LSTM
embedding_dim=16
batch_size=512
# return_sequences:Boolean. Whether to return the last output in the output sequence, or the full sequence 文本生成、机器翻译是要返回所有序列的True,只要最后一个序列False
bi_lstm_model=keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim,input_length=max_length),
keras.layers.Bidirectional(keras.layers.LSTM(units=32,return_sequences=False)),
# w=64,b=64
keras.layers.Dense(64,activation='relu'),
keras.layers.Dense(1,activation='sigmoid'),
])
bi_lstm_model.summary()
bi_lstm_model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
# 全连接层参数是4160 wx+b:x是一维的64
history=bi_lstm_model.fit(
train_data,train_labels,
epochs=30,
batch_size=batch_size,
validation_split=0.2
)
# 训练集、验证集上的准确率
plot_learning_curves(history,'accuracy',30,0,1)
# 训练集、验证集上的损失
plot_learning_curves(history,'loss',30,0,1)
bi_lstm_model.evaluate(test_data,test_labels,batch_size=batch_size,verbose=0)
================================================
FILE: NN/RNN/LSTM/文本分类_lstm_subword.py
================================================
# -*- coding: utf-8 -*-
"""文本分类-LSTM-subword.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1yAuE8tx8tAEJ8auF6K5v95AnoDWvnApY
"""
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
import sklearn
import os
import sys
import time
# 加载数据集特别常用
import tensorflow_datasets as tfds
print(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras,tfds:
print(module.__name__,module.__version__)
"""https://tensorflow.google.cn/datasets/catalog/overview
好多数据集：音频、图片、问答、文本、翻译、视频、可视化
"""
# 影评分类
# 下载subword数据集
# with_info:返回元组（tf.data.Dataset，tfds.core.DatasetInfo）
# as_supervised True:有监督的，会把labels返回 False:无监督的，不会把labels返回
# info:subword形成的集合
dataset,info=tfds.load('imdb_reviews/subwords8k',with_info=True,as_supervised=True)
train_dataset,test_dataset=dataset['train'],dataset['test']
# 看看输入、输出
print(train_dataset)
print(test_dataset)
"""输入是(None,)
输出是()
"""
train_dataset = train_dataset.map(lambda x_text, x_label: (x_text, tf.expand_dims(x_label, -1)))
test_dataset = test_dataset.map(lambda x_text, x_label: (x_text, tf.expand_dims(x_label, -1)))
# encoder:把文本转成subword形式
# tokenizer对象
tokenizer=info.features['text'].encoder
print(type(tokenizer))
# 看看词袋里面有哪些单词
print('vocabulary size:{}'.format(tokenizer.vocab_size))
# 从训练集中拿出一个，看看有哪些词根subword
for i in train_dataset.take(1):
print(i)
# 对于随便一个句子，看看它在词袋中的id
sample_string="Tensorflow is cool."
# encode():把文本变为subword的id序列
tokenized_string=tokenizer.encode(sample_string)
print("Tokenized string is {}".format(tokenized_string))
# decode():把subword的id序列变为文本
original_string=tokenizer.decode(tokenized_string)
print("Original string is {}".format(original_string))
assert original_string==sample_string
# 看看这个例子中的每个subword的id
for token in tokenized_string:
print("{}—>{} len:{}".format(token,tokenizer.decode([token]),len(tokenizer.decode([token]))))
"""空格也有id"""
# 获取shape
buffer_size=10000
batch_size=64
padded_shapes=tf.compat.v1.data.get_output_shapes(train_dataset)
print(padded_shapes)
padded_shapes_test=tf.compat.v1.data.get_output_shapes(test_dataset)
print(padded_shapes_test)
train_dataset=train_dataset.shuffle(buffer_size)
print(train_dataset)
# padded_batch()对每批数据做padding
train_dataset_=train_dataset.padded_batch(batch_size,padded_shapes)
test_dataset=test_dataset.padded_batch(batch_size,padded_shapes_test)
print(train_dataset)
print(test_dataset)
"""batch之后维度增加了
"""
vocab_size=tokenizer.vocab_size
embedding_dim=16
batch_size=512
# 双向单层LSTM
bi_lstm_model=keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim),
keras.layers.Bidirectional(keras.layers.LSTM(units=32,return_sequences=False)),
keras.layers.Dense(32,activation='relu'),
keras.layers.Dense(1,activation='sigmoid')
])
bi_lstm_model.summary()
bi_lstm_model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
"""subword 词袋大小：8185
8185x16=130960
"""
history=bi_lstm_model.fit(train_dataset,epochs=10,validation_data=test_dataset)
def plot_learning_curves(history,label,epochs,min_value,max_value):
data={}
data[label]=history.history[label]
data['val_'+label]=history.history['val_'+label]
pd.DataFrame(data).plot(figsize=(8,5))
plt.grid(False)
plt.axis([0,epochs,min_value,max_value])
plt.show()
plot_learning_curves(history,'accuracy',10,0,1)
plot_learning_curves(history,'loss',10,0,1)
"""在验证集上：accuracy效果好，loss也没有过拟合，subword-level效果最好啊！！！"""
================================================
FILE: NN/RNN/LSTM/文本生成.py
================================================
# -*- coding: utf-8 -*-
"""文本生成.ipynb
Automatically generated by Colaboratory.
Original file is located at
https://colab.research.google.com/drive/1JFyRrdUS6eRqL3h2pLPCCUP3_iBh7hkV
"""
import matplotlib as mpl
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import tensorflow as tf
from tensorflow import keras
import sklearn
import os
import sys
import time
print(tf.__version__)
print(sys.version_info)
for module in mpl,np,pd,sklearn,tf,keras:
print(module.__name__,module.__version__)
# !wget https://storage.googleapis.com/download.tensorflow.org/data/shakespeare.txt
# 莎士比亚文集路径
input_filepath="/content/shakespeare.txt"
# 读取文集
text=open(input_filepath,'r').read()
print(len(text))
print(type(text))
print(text[0:100])
"""100W+个数据集对于NN训练是很小的"""
# 对文集去重并排序
vocab=sorted(set(text))
print(len(vocab))
print(type(vocab))
print(vocab)
"""char-level：区分字母大小写，各种符号"""
# 给字符编号char:idx
char2idx={char:idx for idx,char in enumerate(vocab)}
print(type(char2idx))
print(char2idx)
# idx:char-vocab的下标就是天然的索引
# np的array速度比python的list快
idx2char=np.array(vocab)
print(type(idx2char))
print(idx2char)
# 用{字符：编号}把文集中的字符都转成数字编号
text_as_int=np.array([char2idx[c] for c in text])
print(len(text_as_int))
print(type(text_as_int))
print(text[0:10])
print(text_as_int[0:10])
"""文本First Citi对应的字符索引是[18 47 56 57 58 1 15 47 58 47]
莎士比亚文集:char-level
"""
# 对文本划分好输入、输出
# e.g.对文本abcde划分得到输入abcd,输出bcde
def split_input_target(id_text):
return id_text[0:-1],id_text[1:]
# 把id text作为数据集
char_dataset=tf.data.Dataset.from_tensor_slices(text_as_int)
# 给100个序列，则划分成100个输入，100个输出
seq_length=100
# 分批处理，得到多组输入、输出
seq_dataset=char_dataset.batch(seq_length+1,drop_remainder=True)
# 拿出来两个字符，看看是什么具体字符
for ch_id in char_dataset.take(2):
print(ch_id,idx2char[ch_id.numpy()])
# 拿出来两个句子，看看是什么具体句子
for seq_id in seq_dataset.take(2):
print(seq_id)
print(repr(''.join(idx2char[seq_id.numpy()])))
print(repr(' '.join(idx2char[seq_id.numpy()])))
"""seq_id是用char-level表示的
字符可以预测出空格，就作为单词的分隔了
"""
# 划分单词的输入、输出
# map实现调用函数
seq_dataset=seq_dataset.map(split_input_target)
# 拿出来两个序列，划分输入输出
for item_input,item_output in seq_dataset.take(1):
print(item_input.numpy())
print(item_output.numpy())
print(seq_dataset)
"""看例子，18输出47，47输出56，56输出57..."""
# batch处理
batch_size=64
# 洗牌
buffer_size=10000
# shuffle()-随机重新排列此数据集的元素-理解:如果数据集包含10,000个元素但buffer_size设置为1,000个，则shuffle最初将仅从缓冲区中的前1,000个元素中选择一个随机元素。选择一个元素后，其缓冲区中的空间将被下一个（即1,001个）元素替换，并保留1,000个元素缓冲区。
seq_dataset=seq_dataset.shuffle(buffer_size).batch(batch_size,drop_remainder=True)
print(seq_dataset)
vocab_size=len(vocab)
# 资料小，就升维
embedding_dim=256
rnn_units=1024
# 搭建模型写成一个函数
def build_model(vocab_size,embedding_dim,rnn_units,batch_size):
model=keras.models.Sequential([
keras.layers.Embedding(vocab_size,embedding_dim,batch_input_shape=[batch_size,None]),
# stateful=True 是否要把最后返回的状态添加到输出
# recurrent_initializer='glorot_uniform'-RNN的权值初始值，均值为0，以0为中心的对称区间均匀分布的随机数
keras.layers.SimpleRNN(units=rnn_units,stateful=True,recurrent_initializer='glorot_uniform',return_sequences=True),
# 让输出是65个vocab_size的一个
keras.layers.Dense(vocab_size),
])
return model
model=build_model(vocab_size=vocab_size,embedding_dim=embedding_dim,rnn_units=rnn_units,batch_size=batch_size)
model.summary()
model.variables
# 从序列中拿出一个take(1)看一看模型对输入处理完的输出，简单验证能否做预测
for input_example_batch,target_example_batch in seq_dataset.take(1):
# 把model当成函数来用了，其实是调用了call方法-使实例（对象）像函数一样被调用
example_batch_predictions=model(input_example_batch)
print(example_batch_predictions.shape)
print(example_batch_predictions)
"""浮点数理解-softmax输出就是概率值，再对应到具体的一类中，这里就是字符类"""
# 输入是100个char,输出也是100个char
# categorical()从分类分布中抽取样本
# logits:2-D Tensor with shape [batch_size, num_classes]，这里是[100,1]的2维张量
sample_indices=tf.random.categorical(logits=example_batch_predictions[0],num_samples=1)
print(sample_indices)
# sqeeze:转为100的向量
sample_indices=tf.squeeze(sample_indices,axis=-1)
print(sample_indices)
# 看一组输入、输出
print("Input:",repr("".join(idx2char[input_example_batch[0]])))
print()
print("Output:",repr("".join(idx2char[target_example_batch[0]])))
print()
print("Predictions:",repr("".join(idx2char[sample_indices])))
"""预测效果不咋地"""
def loss(labels,logits):
return keras.losses.sparse_categorical_crossentropy(labels,logits,from_logits=True)
model.compile(optimizer='adam',loss=loss)
# 真实标签和预测标签的区别
example_loss=loss(target_example_batch,example_batch_predictions)
print(example_loss.shape)
print(example_loss.numpy().mean())
# 保存模型-经过训练之后的模型效果会比上边那个没有经过训练的效果要好
# 定义一个文件夹来保存模型
output_dir="/content/text_generation_checkpoints"
if not os.path.exists(output_dir):
os.mkdir(output_dir)
# 保存最后一次迭代的模型
checkpoint_prefix=os.path.join(output_dir,'ckpt_{epoch}')
checkpoint_callback=keras.callbacks.ModelCheckpoint(
filepath=checkpoint_prefix,
# 只保存权重值
save_weights_only=True
)
epochs=100
history=model.fit(seq_dataset,epochs=epochs,callbacks=[checkpoint_callback])
# 看看最好的模型
tf.train.latest_checkpoint(output_dir)
# 再创建一个新模型，去加载已经保存过的权重值
output_dir="/content/text_generation_checkpoints"
model2=build_model(vocab_size,embedding_dim,rnn_units,batch_size=1)
model2.load_weights(tf.train.latest_checkpoint(output_dir))
# 1个样本，None表示变长序列
model2.build(tf.TensorShape([1,None]))
model2.summary()
# 实现文本生成
def generate_text(model,start_string,num_generate=1000):
# 输入
input_eval=[char2idx[ch] for ch in start_string]
print(input_eval)
# 升维-在axis=0方向上
input_eval=tf.expand_dims(input_eval,0)
print(input_eval)
text_generated=[]
# 连续调用模型用reset_states()
model.reset_states()
# 逐个预测输出字符
for _ in range(num_generate):
predictions=model(input_eval)
# squeeze降维：消掉batch_size维度，变成predictions:[input_eval_len,vocab_size]
predictions=tf.squeeze(predictions,0)
print(predictions)
# 倒序、抽取样本、降维成1维
predicted_id=tf.random.categorical(predictions,num_samples=1)[-1,0].numpy()
print(predicted_id)
# 得到一个预测字符，append到生成文本中
text_generated.append(idx2char[predicted_id])
# 得到的预测再去作为下一次的输入字符
input_eval=tf.expand_dims([predicted_id],0)
return start_string+''.join(text_generated)
new_text=generate_text(model2,"amazing:")
print(new_text)
================================================
FILE: NN/RNN/eng-fra.txt
================================================
Go. Va !
Run! Cours !
Run! Courez !
Wow! Ça alors !
Fire! Au feu !
Help! À l'aide !
Jump. Saute.
Stop! Ça suffit !
Stop! Stop !
Stop! Arrête-toi !
Wait! Attends !
Wait! Attendez !
I see. Je comprends.
I try. J'essaye.
I won! J'ai gagné !
I won! Je l'ai emporté !
Oh no! Oh non !
Attack! Attaque !
Attack! Attaquez !
Cheers! Santé !
Cheers! À votre santé !
Cheers! Merci !
Get up. Lève-toi.
Got it! J'ai pigé !
Got it! Compris !
Got it? Pigé ?
Got it? Compris ?
Got it? T'as capté ?
Hop in. Monte.
Hop in. Montez.
Hug me. Serre-moi dans tes bras !
Hug me. Serrez-moi dans vos bras !
I fell. Je suis tombée.
I fell. Je suis tombé.
I know. Je sais.
I left. Je suis parti.
I left. Je suis partie.
I lost. J'ai perdu.
I'm 19. J'ai 19 ans.
I'm OK. Je vais bien.
I'm OK. Ça va.
Listen. Écoutez !
No way! Impossible !
No way! En aucun cas.
No way! C'est hors de question !
No way! Il n'en est pas question !
No way! C'est exclu !
No way! En aucune manière !
No way! Hors de question !
Really? Vraiment ?
Really? Vrai ?
Really? Ah bon ?
Thanks. Merci !
We try. On essaye.
We won. Nous avons gagné.
We won. Nous gagnâmes.
We won. Nous l'avons emporté.
We won. Nous l'emportâmes.
Ask Tom. Demande à Tom.
Awesome! Fantastique !
Be calm. Sois calme !
Be calm. Soyez calme !
Be calm. Soyez calmes !
Be cool. Sois détendu !
Be fair. Sois juste !
Be fair. Soyez juste !
Be fair. Soyez justes !
Be fair. Sois équitable !
Be fair. Soyez équitable !
Be fair. Soyez équitables !
Be kind. Sois gentil.
Be nice. Sois gentil !
Be nice. Sois gentille !
Be nice. Soyez gentil !
Be nice. Soyez gentille !
Be nice. Soyez gentils !
Be nice. Soyez gentilles !
Beat it. Dégage !
Call me. Appelle-moi !
Call me. Appellez-moi !
Call us. Appelle-nous !
Call us. Appelez-nous !
Come in. Entrez !
Come in. Entre.
Come in. Entre !
Come in. Entrez !
Come on! Allez !
Come on. Allez !
Come on. Viens !
Come on. Venez !
Drop it! Laisse tomber !
Drop it! Laissez tomber !
Drop it! Laisse-le tomber !
Drop it! Laissez-le tomber !
Get out! Sortez !
Get out! Sors !
Get out! Sortez !
Get out. Sors.
Get out. Casse-toi.
Go away! Dégage !
Go away! Pars !
Go away. Va te faire foutre !
Go away. Pars !
Go away. Dégage !
Go away. Fous le camp !
Go away. Pars d'ici.
Go away. Va t'en !
Go away. Disparais !
Go away. Allez-vous en !
Go slow. Va doucement !
Go slow. Allez doucement !
Goodbye! À la revoyure.
Hang on! Attends un peu !
Hang on! Attendez un peu !
Hang on. Tiens bon !
Hang on. Tenez bon !
He quit. Il laissa tomber.
He quit. Il a laissé tomber.
He runs. Il court.
Help me! Aide-moi !
Help me. Aide-moi.
Help me. Aidez-moi.
Help us. Aidez-nous !
Help us. Aide-nous !
Hold it! Ne bouge plus !
Hold on. Ne quittez pas.
I agree. Je suis du même avis.
I tried. J'essayai.
I tried. J'ai essayé.
I tried. J'ai tenté.
I'll go. J'irai.
I'm fat. Je suis gras.
I'm fat. Je suis gros.
I'm fit. Je suis en forme.
I'm hit! Je suis touché !
I'm hit! Je suis touchée !
I'm ill. Je suis malade.
I'm sad. Je suis triste.
I'm shy. Je suis timide.
I'm wet. Je suis mouillé.
I'm wet. Je suis mouillée.
It's me! C'est bibi !
Join us. Joignez-vous.
Join us. Joignez-vous à nous.
Keep it. Garde-le !
Keep it. Gardez-le !
Kiss me. Embrasse-moi.
Kiss me. Embrassez-moi.
Me, too. Moi aussi.
Open up. Ouvre-moi !
Open up. Ouvre.
Perfect! Parfait !
See you. À plus.
Show me. Montre-moi !
Show me. Montrez-moi !
Shut up! Taisez-vous !
Shut up! Ferme-la !
Shut up! Tais-toi !
Shut up! Ferme-la !
Shut up! La ferme !
So long. À plus tard !
Take it. Prends-le !
Take it. Prenez-le !
Tell me. Dis-moi !
Tell me. Dites-moi !
Tom won. Tom a gagné.
Wake up! Réveille-toi !
Wake up! Réveille-toi !
Wake up! Réveillez-vous !
Wake up. Réveille-toi !
Wake up. Réveillez-vous !
Wash up. Lave-toi !
Wash up. Lavez-vous !
We know. Nous savons.
We lost. Nous perdîmes.
We lost. Nous avons perdu.
We lost. Nous fûmes battus.
We lost. Nous fûmes battues.
We lost. Nous fûmes défaits.
We lost. Nous fûmes défaites.
We lost. Nous avons été défaits.
We lost. Nous avons été défaites.
We lost. Nous avons été battus.
We lost. Nous avons été battues.
Who won? Qui a gagné ?
Who won? Qui l'a emporté ?
You run. Tu cours.
Am I fat? Suis-je gros ?
Am I fat? Suis-je grosse ?
Back off. Recule !
Back off. Reculez.
Back off. Retire-toi !
Back off. Retirez-vous.
Be a man. Sois un homme !
Be a man. Soyez un homme !
Be still. Sois calme !
Be still. Soyez calme !
Be still. Soyez calmes !
Beats me. Aucune idée.
Beats me. J'en sais foutre rien.
Call Tom. Appelle Tom.
Call Tom. Appelez Tom.
Cheer up! Courage !
Cool off! Détends-toi !
Cuff him. Menottez-le.
Drive on. Avance !
Drive on. Avancez !
Drive on. Continue à rouler !
Drive on. Continuez à rouler !
Get down! Lâche-toi !
Get down. Descends !
Get down. Descendez !
Get down. Lâche-toi !
Get down. Lâchez-vous !
Get lost! Va voir ailleurs si j'y suis !
Get lost! Dégage !
Get lost! Va au diable !
Get real! Sois réaliste !
Go ahead. Vas-y.
Go ahead. Poursuis !
Go ahead. Passe devant !
Go ahead. Vas-y !
Good job! Bien joué !
Good job! Bon boulot !
Good job! Beau travail !
Grab him. Attrape-le.
Grab him. Attrapez-le.
Have fun. Amuse-toi bien !
Have fun. Amusez-vous bien !
He tries. Il essaye.
He's wet. Il est mouillé.
Hi, guys. Salut, les mecs !
How cute! Comme c'est mignon !
How deep? Quelle profondeur ?
How nice! Comme c'est chouette !
How nice! Comme c'est gentil !
How nice! C'est du joli !
How nice! Comme c'est agréable !
Humor me. Fais-moi rire.
Hurry up. Dépêche-toi.
Hurry up. Grouille !
Hurry up. Pressez-vous !
Hurry up. Fiça !
I am fat. Je suis gras.
I did OK. Je m'en suis bien sorti.
I did OK. Je m'en suis bien sortie.
I did it. Je l'ai fait.
I did it. C'est moi qui l'ai fait.
I forgot. J'ai oublié.
I get it. J'ai compris.
I got it. J'ai compris.
I got it. J'ai capté.
I phoned. Je téléphonai.
I phoned. J'ai téléphoné.
I refuse. Je refuse.
I refuse. Je le refuse.
I saw it. Je l'ai vu.
I saw it. Je l’ai vu.
I stayed. Je suis resté.
I stayed. Je suis restée.
I use it. Je l'utilise.
I use it. J'en fais usage.
I use it. Je m'en sers.
I'll pay. Je paierai.
I'll try. J'essaierai.
I'm back. Je suis revenu.
I'm back. Me revoilà.
I'm bald. Je suis chauve.
I'm busy. Je suis occupé.
I'm busy. Je suis occupée.
I'm calm. Je suis calme.
I'm cold. J'ai froid.
I'm done. J'en ai fini.
I'm fine. Tout va bien.
I'm fine. Je vais bien.
I'm fine. Ça va.
I'm free! Je suis libre !
I'm free. Je suis libre.
I'm free. Je suis disponible.
I'm full. Je suis repu !
I'm full. Je suis rassasié !
I'm glad. Je suis content.
I'm home. Je suis chez moi.
I'm late. Je suis en retard.
I'm lazy. Je suis paresseux.
I'm lazy. Je suis fainéant.
I'm lazy. Je suis paresseuse.
I'm lazy. Je suis fainéante.
I'm okay. Je vais bien.
I'm okay. Je me porte bien.
I'm safe. Je suis en sécurité.
I'm sick. Je suis malade.
I'm sure. J'en suis certain.
I'm sure. Je suis certain.
I'm sure. J'en suis sûr.
I'm sure. J'en suis sûre.
I'm tall. Je suis grande.
I'm thin. Je suis mince.
I'm tidy. Je suis ordonné.
I'm tidy. Je suis ordonnée.
I'm ugly. Je suis laid.
I'm ugly. Je suis laide.
I'm weak. Je suis faible.
I'm well. Je vais bien.
I'm well. Je me porte bien.
I've won. J'ai gagné.
I've won. Je l'ai emporté.
It works. Elle marche.
It works. Ça fonctionne.
It's his. C'est le sien.
It's his. C'est la sienne.
It's new. C'est nouveau.
It's new. C'est neuf.
It's odd. C'est bizarre.
It's sad. C’est triste.
Keep out! Défense d'entrer.
Keep out. N'entrez pas.
Leave it. Laisse tomber !
Leave it. Laissez tomber !
Leave me. Laissez-moi !
Leave us. Laisse-nous !
Leave us. Laissez-nous !
Let's go! Allons-y !
Let's go! Allons !
Let's go. Allons-y !
Look out! Attention !
Marry me. Épouse-moi !
Marry me. Épousez-moi !
May I go? Puis-je partir ?
May I go? Puis-je y aller ?
May I go? Puis-je m'y rendre ?
She came. Elle est venue.
She died. Elle est morte.
She runs. Elle court.
Sit down! Assieds-toi !
Sit down! Asseyez-vous !
Sit here. Assieds-toi ici.
Sit here. Asseyez-vous ici.
Speak up! Parle plus fort !
Speak up! Parlez plus fort !
Stop Tom. Arrête Tom.
Stop Tom. Stoppez Tom.
Terrific! Génial !
Terrific! Excellent !
Terrific! Formidable !
They won. Ils gagnèrent.
They won. Elles gagnèrent.
They won. Ils ont gagné.
They won. Elles ont gagné.
Tom came. Tom est venu.
Tom died. Tom est mort.
Tom left. Tom est parti.
Tom left. Tom partit.
Tom lost. Tom a perdu.
Too late. Trop tard.
Trust me. Faites-moi confiance.
Trust me. Fais-moi confiance.
Try hard. Fais un effort.
Try some. Essaies-en !
Try some. Essayez-en !
Try this. Essaie ceci !
Try this. Essayez ceci !
Use this. Utilise ceci.
Use this. Utilisez ceci.
Use this. Emploie ceci !
Use this. Employez ceci !
Warn Tom. Avertis Tom.
Warn Tom. Préviens Tom.
Watch me. Regarde-moi !
Watch me. Regardez-moi !
Watch us. Regardez-nous !
Watch us. Regarde-nous !
We agree. Nous sommes d'accord.
We'll go. Nous irons.
What for? Pour quoi faire ?
What for? À quoi bon ?
What fun! Qu'est-ce qu'on s'est marrés !
What fun! Qu'est-ce qu'on s'est marrées !
Who died? Qui est mort ?
Who's he? Qui est-il ?
Write me. Écris-moi !
Write me. Écrivez-moi !
After you. Après vous.
Aim. Fire! En joue ! Feu !
Am I late? Suis-je en retard ?
Answer me. Répondez-moi.
Be seated. Assieds-toi !
Be seated. Asseyez-vous !
Birds fly. Les oiseaux volent.
Bless you. À tes souhaits !
Call home! Appelle à la maison !
Calm down! Calmez-vous !
Calm down. Calme-toi.
Can we go? Pouvons-nous partir ?
Can we go? Pouvons-nous nous en aller ?
Can we go? Pouvons-nous y aller ?
Catch him. Rattrape-le.
Come back. Reviens !
Come back. Revenez !
Come here. Viens ici.
Come here. Venez là.
Come over! Viens !
Come over! Venez !
Come over. Venez ici !
Come over. Viens chez nous !
Come over. Venez chez nous !
Come over. Viens chez moi !
Come over. Venez chez moi !
Come soon. Viens bientôt !
Come soon. Venez bientôt !
Cool down. Calmez-vous !
Did I win? Ai-je gagné ?
Did I win? L'ai-je emporté ?
Did I win? Est-ce moi qui ai gagné ?
Dogs bark. Des chiens aboient.
Dogs bark. Les chiens aboient.
Don't ask. Ne demande pas !
Don't cry. Ne pleure pas !
Don't die. Ne meurs pas !
Don't die. Ne mourez pas !
Don't lie. Ne mens pas.
Don't run. Ne courez pas.
Don't run. Ne cours pas.
Excuse me. Excuse-moi.
Fantastic! Fantastique !
Feel this. Sens ça !
Feel this. Sentez ça !
Feel this. Touche ça !
Feel this. Touchez ça !
Follow me. Suis-moi.
Follow us. Suis-nous !
Follow us. Suivez-nous !
Forget it! Oublie !
Forget it! Oublie-le !
Forget it! Oubliez !
Forget it! Oubliez-le !
Forget it. Laisse tomber.
Forget it. Oublie.
Get a job. Trouve un emploi !
Get a job. Trouve un boulot !
Get a job. Trouvez un emploi !
Get a job. Trouvez un boulot !
Get ready. Prépare-toi.
Get ready. Préparez-vous.
Go get it. Va le chercher !
Go get it. Allez le chercher !
Go inside. Entrez !
Go to bed. Va au lit !
Go to bed. Allez au lit !
Good luck. Bonne chance !
Good luck. Bonne chance.
Grab that. Attrape ça !
Grab that. Attrapez ça !
Grab that. Saisis-toi de ça !
Grab that. Saisissez-vous de ça !
Grab this. Attrape ça !
Grab this. Attrapez ça !
Hands off. Pas touche !
He is ill. Il est malade.
He is old. Il est vieux.
He's a DJ. Il est DJ.
He's good. Il est bon.
He's lazy. Il est paresseux.
He's rich. Il est riche.
Here I am. Me voici.
Here's $5. Voilà cinq dollars.
Hold fire. Halte au feu !
Hold fire. Cessez le feu !
Hold this. Tiens ça !
Hold this. Tenez ça !
Hold this. Tenez ceci !
Hold this. Tiens ceci !
How awful! C'est affreux !
How's Tom? Comment Tom va-t-il ?
How's Tom? Comment va Tom ?
I am busy. Je suis occupé.
I am calm. Je suis calme.
I am cold. J'ai froid.
I am good. Je suis bon.
I am here. Je suis ici.
I am lazy. Je suis paresseux.
I am lazy. Je suis fainéant.
I am lazy. Je suis paresseuse.
I am lazy. Je suis fainéante.
I am okay. Je vais bien.
I am sick. Je suis malade.
I am sure. Je suis sûr.
I am sure. Je suis certain.
I am weak. Je suis faible.
I beg you. Je vous en prie.
I beg you. Je vous en conjure.
I beg you. Je vous en supplie.
I beg you. Je te prie.
I can run. Je sais courir.
I can ski. Je sais skier.
I cringed. J'eus un mouvement de recul.
I cringed. J'ai eu un mouvement de recul.
I cringed. Je suis rentré en moi-même.
I give up. J'abandonne.
I got hot. Je me suis mis à avoir chaud.
I got hot. Je me suis mise à avoir chaud.
I had fun. Je me suis amusé.
I had fun. Je me suis amusée.
I had fun. Je me suis marré.
I had fun. Je me suis marrée.
I hate it. Je déteste ça.
I hope so. J'espère bien.
I knew it. Je le savais.
I like it. J'aime ça.
I lost it. Je l’ai perdu.
I love it! J'adore ça !
I love it. J'adore ça !
I mean it! Je suis sérieux !
I mean it. Je suis sérieux.
I must go. Je dois y aller.
I must go. Il faut que j'y aille.
I must go. Il me faut y aller.
I must go. Il me faut partir.
I must go. Il me faut m'en aller.
I must go. Je dois partir.
I must go. Je dois m'en aller.
I must go. Il faut que je m'en aille.
I need it. J'en ai besoin.
I need it. Il me le faut.
I noticed. J'ai remarqué.
I promise. Je le promets.
I said no. J'ai dit non.
I said so. Je l'ai dit.
I saw him. Je l'ai vu.
I saw him. Je l’ai vu.
I saw him. Je le vis.
I saw one. J'en ai vu une.
I saw one. J'en ai vu un.
I saw you. Je vous vis.
I saw you. Je te vis.
I saw you. Je t'ai vue.
I saw you. Je t'ai vu.
I saw you. Je vous ai vues.
I saw you. Je vous ai vus.
I saw you. Je vous ai vue.
I saw you. Je vous ai vu.
I see Tom. Je vois Tom.
I tripped. J'ai trébuché.
I tripped. J'ai plané.
I want it. Je le veux.
I was new. J'étais nouveau.
I was new. J'étais nouvelle.
I will go. J'irai.
I woke up. Je me suis réveillé.
I woke up. Je me suis éveillé.
I'd agree. Je serais d'accord.
I'd leave. Je partirais.
I'll call. J'appellerai.
I'll cook. Je cuisinerai.
I'll help. J'aiderai.
I'll live. Je vivrai.
I'll obey. J'obéirai.
I'll pack. Je ferai mon sac.
I'll pack. Je ferai ma valise.
I'll pack. Je plierai mes gaules.
I'll pass. Je passerai.
I'll quit. J'abandonnerai.
I'll sing. Je chanterai.
I'll swim. Je nagerai.
I'll wait. J'attendrai.
I'll walk. Je marcherai.
I'll work. Je vais travailler.
I'll work. Je travaillerai.
I'm a cop. Je suis flic.
I'm a man. Je suis un homme.
I'm alone. Je suis seule.
I'm alone. Je suis seul.
I'm armed. Je suis armé.
I'm armed. Je suis armée.
I'm awake. Je suis réveillé.
I'm blind. Je suis aveugle.
I'm broke. Je suis fauché.
I'm crazy. Je suis fou.
I'm crazy. Je suis folle.
I'm cured. Je suis guéri.
I'm cured. Je suis guérie.
I'm drunk. Je suis saoul.
I'm drunk. Je suis soûl.
I'm drunk. Je suis ivre.
I'm dying. Je me meurs.
I'm early. Je suis en avance.
I'm first. Je suis en premier.
I'm fussy. Je suis difficile.
I'm fussy. Je suis tatillon.
I'm fussy. Je suis tatillonne.
I'm going. Je pars maintenant.
I'm going. Je me tire.
I'm going. J’y vais.
I'm going. Je pars.
I'm loyal. Je suis loyal.
I'm loyal. Je suis loyale.
I'm lucky. Je suis veinard.
I'm lucky. Je suis veinarde.
I'm lucky. J'ai du pot.
I'm lucky. Je suis chanceux.
I'm lucky. Je suis chanceuse.
I'm lying. Je suis en train de mentir.
I'm quiet. Je suis tranquille.
I'm ready! Je suis prête !
I'm ready! Je suis prêt !
I'm ready. Je suis prêt.
I'm right. J'ai raison.
I'm sober. Je suis sobre.
I'm sorry. Excuse-moi.
I'm sorry. Désolé.
I'm sorry. Désolé !
I'm sorry. Je suis désolé.
I'm sorry. Je suis désolée.
I'm stuck. Je suis coincée.
I'm timid. Je suis timide.
I'm tired. Je suis fatigué !
I'm tough. Je suis dur.
I'm tough. Je suis dure.
I'm tough. Je suis dur à cuire.
I'm tough. Je suis dure à cuire.
I'm yours. Je suis à toi.
I'm yours. Je suis à vous.
I've lost. J'ai perdu.
Is Tom OK? Est-ce que Tom va bien ?
Is Tom OK? Tom va-t-il bien ?
Is it bad? C'est grave ?
Is it far? Est-ce éloigné ?
Is it far? Est-ce loin ?
Is it you? Est-ce toi ?
Is it you? Est-ce vous ?
Is it you? Est-ce que c'est vous ?
It failed. Ça a échoué.
It snowed. Il a neigé.
It stinks. Ça sent mauvais.
It stinks. Ça pue.
It worked. Ça a fonctionné.
It worked. Ça a marché.
It's 3:30. Il est trois heures et demie.
It's cold. Il fait froid.
It's dark. C'est sombre.
It's dead. Elle est morte.
It's dead. C'est mort.
It's dead. Il est mort.
It's done. C'est fait.
It's food. C'est de la nourriture.
It's free. C'est gratuit.
It's hers. C'est le sien.
It's hers. C'est la sienne.
It's late. Il est tard.
It's lost. C'est perdu.
It's open. C'est ouvert.
It's sand. C'est du sable.
It's true! C'est vrai !
It's work. C'est du boulot.
Let it be. Ainsi soit-il.
Let it be. Laisse faire.
Let me go! Laisse-moi partir !
Let me go! Laissez-moi partir !
Let me go! Lâche-moi !
Let me go! Laisse-moi m'en aller !
Let me go! Laissez-moi m'en aller !
Let me go! Laissez-moi y aller !
Let me go! Laisse-moi y aller !
Let me go. Laisse-moi partir !
Let me go. Laissez-moi partir !
Let me go. Laisse-moi m'en aller !
Let me go. Laissez-moi m'en aller !
Let me in. Laissez-moi rentrer.
Let me in. Laissez-moi entrer.
Let's ask. Demandons.
Let's see. Voyons voir !
Lie still. Reste allongé, immobile !
Lie still. Reste allongée, immobile !
Lie still. Restez allongé, immobile !
Lie still. Restez allongée, immobile !
Lie still. Restez allongés, immobiles !
Lie still. Restez allongées, immobiles !
Loosen up. Échauffe-toi !
Loosen up. Échauffez-vous !
Loosen up. Détends-toi !
Loosen up. Laisse-toi aller !
Loosen up. Laissez-vous aller !
Nice shot! Joli coup !
Of course! Pour sûr.
Of course! Mais ouais !
Of course. Bien sûr.
Of course. Pour sûr.
Oh please! Je vous en prie !
Oh please! Je t'en prie !
Pardon me? Pardon ?
Pardon me? Je vous demande pardon ?
Pardon me? Plaît-il ?
Read this. Lis ceci.
Say hello. Dis bonjour.
See above. Voyez ci-dessus.
Seriously? Vraiment ?
Seriously? Est-ce sérieux ?
Seriously? Sérieusement ?
She cried. Elle pleurait.
She cried. Elle pleura.
She tried. Elle a essayé.
She walks. Elle marche.
She's hot. Elle est chaude.
She's hot. Elle est très attirante.
Sign here. Signe ici.
Sign here. Signez ici.
Slow down. Ralentis !
Slow down. Ralentissez !
Stay back. Reste en arrière !
Stay back. Restez en arrière !
Stay calm. Restez calme.
Stay calm. Reste calme.
Stay calm. Garde ton calme.
Stay calm. Garde ton sang-froid.
Stay calm. Reste tranquille.
Stay down. Reste baissé.
Stay down. Restez baissé.
Stay thin. Reste mince !
Stop that! Arrêtez !
Stop that. Arrêtez ça !
Stop that. Arrête ça !
Take care. Prends soin de toi.
Take care. Prenez soin de vous.
Take mine. Prends le mien.
Take mine. Prends la mienne.
Take mine. Prenez le mien.
Take mine. Prenez la mienne.
Take mine. Prends les miens.
Take mine. Prends les miennes.
Take mine. Prenez les miens.
Take mine. Prenez les miennes.
Take this. Prends ça.
Take this. Prenez ça.
Thank you. Merci !
That's it. C'est ça.
They fell. Ils sont tombés.
They fell. Elles sont tombées.
They left. Ils sont partis.
They left. Elles sont parties.
They lied. Ils ont menti.
They lied. Elles ont menti.
They lost. Ils ont perdu.
They lost. Elles ont perdu.
They swam. Ils nageaient.
They swam. Elles nageaient.
They swam. Ils nagèrent.
They swam. Elles nagèrent.
Tom knits. Tom tricote.
Tom knows. Tom sait.
Tom spoke. Tom a parlé.
Tom's fat. Tom est gros.
Try again. Essaie encore.
Try again. Essayez de nouveau.
Try again. Essaie de nouveau.
Try it on. Essaie-le !
Turn left. Tourne à gauche.
Wait here. Attends ici.
Wait here. Attends là.
Wait here. Attendez ici.
Wait here. Attendez là.
Watch out! Attention !
Watch out! Faites attention !
Watch out! Fais attention !
We agreed. Nous sommes tombés d'accord.
We did it! Nous avons réussi !
We did it. Nous avons réussi !
We did it. Nous l'avons fait.
We forgot. Nous avons oublié.
We saw it. Nous l'avons vu.
We saw it. Nous l'avons vue.
We talked. Nous discutâmes.
We talked. Nous avons discuté.
We talked. Nous nous sommes entretenus.
We talked. Nous nous sommes entretenues.
We talked. Nous nous entretînmes.
We waited. Nous attendîmes.
We waited. Nous avons attendu.
We'll try. Nous essayerons.
We'll try. Nous tenterons.
We'll win. Nous l'emporterons.
We'll win. Nous gagnerons.
We're hot. Nous avons chaud.
We're sad. Nous sommes tristes.
We're shy. Nous sommes timides.
Well done! Bien vu !
Well done! Bien cuit !
Well done! À la bonne heure !
Well done! Pas mal !
What else? Quoi d’autre ?
What else? Quoi d'autre ?
What's up? Quoi de beau ?
Who cares? Qui s'en préoccupe ?
Who cares? Qui s'en soucie ?
Who cares? À qui ceci importe-t-il ?
Who is he? Qui est-ce ?
Who is he? Qui est-il ?
Who is it? Qui est-ce ?
Who is it? Qui est-il ?
Who knows? Qui sait ?
Who spoke? Qui a parlé ?
Who'll go? Qui ira ?
Who's ill? Qui est malade ?
Wonderful! Magnifique !
Write Tom. Écrivez à Tom.
You drive. Tu conduis.
You drive. Toi, conduis !
You drive. Vous conduisez.
You idiot! Espèce d'imbécile !
You idiot! Espèce d'idiot !
You start. Tu commences.
You start. Vous commencez.
You tried. Tu as essayé.
You tried. Vous avez essayé.
All aboard! Tout le monde à bord!
Am I clear? Suis-je clair ?
Am I clear? Suis-je claire ?
Am I dying? Suis-je en train de mourir ?
Am I dying? Suis-je en train de trépasser ?
Am I early? Suis-je en avance ?
Am I fired? Vous me mettez à la porte ?
Am I first? Suis-je le premier ?
Am I first? Suis-je la première ?
Am I hired? Suis-je engagé ?
Am I hired? Suis-je engagée ?
Am I right? Ai-je raison ?
Am I right? Suis-je dans le vrai ?
Am I wrong? Me trompé-je ?
Am I wrong? Ai-je tort ?
Am I wrong? Est-ce que je me trompe ?
Are you OK? Est-ce que tu vas bien ?
Are you up? Es-tu levé ?
Are you up? Es-tu levée ?
Are you up? Êtes-vous levé ?
Are you up? Êtes-vous levée ?
Are you up? Êtes-vous levés ?
Are you up? Êtes-vous levées ?
Are you up? Es-tu debout ?
Are you up? Êtes-vous debout ?
Ask anyone. Demandez à n'importe qui.
Ask anyone. Demande à n'importe qui.
Ask anyone. Demande à quiconque !
Ask around. Demande alentour !
Ask around. Demandez alentour !
Be careful. Sois prudent !
Be careful. Sois prudente !
Be careful. Soyez prudent !
Be careful. Soyez prudente !
Be careful. Soyez prudents !
Be careful. Soyez prudentes !
Be content. Sois satisfait !
Be content. Sois satisfaite !
Be content. Soyez satisfait !
Be content. Soyez satisfaite !
Be content. Soyez satisfaits !
Be content. Soyez satisfaites !
Be serious. Soyez sérieux !
Be serious. Soyez sérieuse !
Be serious. Soyez sérieuses !
Be serious. Sois sérieux !
Be serious. Sois sérieuse !
Birds sing. Les oiseaux chantent.
Bottoms up! Santé !
Can I come? Puis-je venir ?
Can I help? Puis-je aider ?
Can I stay? Puis-je rester ?
Check this. Vérifie ça.
Check this. Regarde ça.
Choose one. Choisis-en un.
Choose one. Choisis-en une.
Come along. Joignez-vous à nous.
Come on in! Entre donc !
Come on in. Entre.
Come quick! Viens vite !
Come quick! Jouis vite !
Come to me. Venez à moi.
Come to us. Venez à nous.
Cut it out! Arrête !
Cut it out! Arrêtez !
Cut it out. Assez !
Did we win? Avons-nous gagné ?
Do I stink? Est-ce que je pue ?
Do come in! Je vous en prie, entrez !
Do men cry? Les hommes pleurent-ils ?
Don't fret. Te tracasse pas.
Don't fret. Vous tracassez pas.
Don't fret. Ne te tracasse pas.
Don't fret. Ne vous tracassez pas.
Don't move! Ne bouge pas !
Don't move! Ne bougez pas !
Don't move. Ne bougez pas.
Don't move. Ne bouge pas.
Don't rush. Ne te précipite pas.
Don't rush. Ne vous précipitez pas.
Don't talk! Ne parle pas !
Don't talk! Ne parlez pas !
Don't wait. N'attends pas !
Don't wait. N'attendez pas !
Duty calls. Le devoir m'appelle.
Fill it up. Le plein.
Find a job. Trouve un emploi !
Find a job. Trouve un boulot !
Follow him. Suis-le !
Follow him. Suivez-le !
Forget him. Oublie-le.
Forget him. Oubliez-le.
Forgive me. Pardonnez-moi.
Get a life! Achète-toi une vie !
Get to bed. Va au lit !
Get to bed. Au lit !
Get to bed. Allez au lit !
Give it up. Laisse tomber.
Give it up. Abandonne !
Go warm up. Va t'échauffer !
Go warm up. Allez vous échauffer !
He gave in. Il a cédé.
He gave in. Il céda.
He hung up. Il a raccroché.
He hung up. Il raccrocha.
He is a DJ. Il est DJ.
He is busy. Il a à faire.
He is here! Il est ici !
He is kind. Il est gentil.
He is late. Il est en retard.
He is lazy. Il est fainéant.
He is lazy. Il est paresseux.
He is poor. Il est pauvre.
He is sick. Il est malade.
He made it. Il a réussi.
He's Swiss. Il est Suisse.
He's Swiss. Il est Helvète.
He's broke. Il est ruiné.
He's broke. Il est fauché.
He's drunk. Il est ivre.
He's drunk. Il est soûl.
He's smart. Il est intelligent.
Here he is! Il est ici !
Here it is. Le voilà.
Here it is. Tenez.
Here it is. Le voici.
Here we go. C'est parti !
Here we go. On est partis !
Hold still. Tiens-toi tranquille !
Hold still. Tenez-vous tranquille !
How lovely! Comme c'est charmant !
How's work? Comment va le travail ?
Hurry home. Dépêche-toi d'aller chez toi !
Hurry home. Dépêchez-vous d'aller chez vous !
I am a man. Je suis un homme.
I am human. Je suis humain.
I am ready. Je suis prêt.
I am right. J'ai raison.
I am sorry. Je suis désolé.
I am sorry. Je suis désolée.
I am tired. Je suis fatigué !
I am tired. Je suis crevé.
I broke it. Je l'ai cassé.
I broke it. Je l'ai cassée.
I built it. Je l'ai construit.
I built it. Je l'ai construite.
I can come. Je peux venir.
I can cook. Je sais cuisiner.
I can jump. Je peux sauter.
I can read. Je sais lire.
I can read. Je peux lire.
I can sing. Je sais chanter.
I can stay. Je peux rester.
I can swim. Je sais nager.
I can wait. Je peux attendre.
I can walk. Je peux marcher.
I can't go. Je ne peux pas y aller.
I can't go. Je ne peux pas m'y rendre.
I can't go. Je ne peux pas partir.
I did that. J'ai fait cela.
I did that. C'est moi qui l'ai fait.
I disagree. Je ne suis pas d'accord.
I do worry. Je me fais vraiment du souci.
I doubt it. J'en doute.
I eat here. Je mange ici.
I envy him. Je l'envie.
I envy you. Je vous envie.
I envy you. Je t'envie.
I feel bad. Je me sens mal.
I feel old. Je me sens vieux.
I feel old. Je me sens vieille.
I felt bad. Je me suis senti mal.
I felt ill. Je me suis senti mal.
I felt ill. Je me sentais malade.
I felt ill. Je me sentis malade.
I felt sad. J'ai ressenti de la tristesse.
I fixed it. Je l'ai réparé.
I fixed it. Je l'ai réparée.
I fixed it. Je la réparai.
I fixed it. Je le réparai.
I found it. Je l'ai trouvé.
I found it. Je le trouvai.
I got busy. Je suis devenu occupé.
I got busy. Je suis devenu occupée.
I got lost. Je me suis perdu.
I got sick. Je suis devenu malade.
I got sick. Je suis devenue malade.
I guess so. Je le suppose.
I guess so. J'imagine.
I had help. J'ai reçu de l'aide.
I hate you. Je te déteste.
I hate you. Je te hais.
I have one. J'en ai un.
I have one. J'en ai une.
I have won. J'ai gagné.
I have won. Je l'ai emporté.
I help him. Je l'aide.
I hope not. Je n'espère pas.
I hope not. J'espère que non.
I know CPR. Je connais la RCP.
I know her. Je la connais.
I know him. Je le connais.
I like art. J'apprécie l'art.
I like him. Je l'apprécie.
I like him. Je l'aime bien.
I like tea. J'aime le thé.
I like you. Tu me plais.
I like you. Vous me plaisez.
I like you. Je t'aime bien.
I liked it. J'ai aimé ça.
I liked it. Je l'ai apprécié.
I love Tom. J'aime Tom.
I love tea. J'adore le thé.
I love you. Je t'aime !
I love you. Je t'adore.
I loved it. J'adorais ça.
I made tea. J'ai préparé du thé.
I made two. J'en ai fait deux.
I made two. J'en ai confectionné deux.
I met them. Je les ai rencontrés.
I met them. Je les ai rencontrées.
I met them. Je les rencontrai.
I must run. Il me faut courir.
I must run. Je dois courir.
I need air. J'ai besoin d'air.
I need air. Il me faut de l'air.
I need ice. J'ai besoin de glace.
I need you. J'ai besoin de toi.
I need you. J'ai besoin de vous.
I panicked. J'ai paniqué.
I promised. J'ai promis.
I ran away. Je me suis enfuit.
I ran home. J'ai couru à la maison.
I remember. Je m'en souviens.
I remember. Je me le rappelle.
I remember. Je m'en rappelle.
I said yes. J'ai dit oui.
I sat down. Je m'assis.
I saw that. J'ai vu cela.
I saw them. Je les ai vues.
I saw them. Je les ai vus.
I saw them. Je les vis.
I screamed. J'ai crié.
I see them. Je les vois.
I survived. J'ai survécu.
I threw up. J'ai vomi.
I tried it. J'ai essayé.
I tried it. Je l'ai essayé.
I use this. J'utilise cela.
I want one! J'en veux un !
I want one! J'en veux une !
I want one. J'en veux un !
I want one. J'en veux une !
I want you. J'ai envie de toi.
I want you. Je te veux !
I want you. Je vous veux !
I was away. Je n'étais pas là.
I was busy. J'étais occupée.
I was good. Je fus bon.
I was good. J'ai été bon.
I was good. J'ai été bonne.
I was good. Je fus bonne.
I was late. J'étais en retard.
I was late. J'ai été en retard.
I was lost. J'étais perdu.
I was lost. J'étais perdue.
I was sick. J'ai été malade.
I was sick. J'étais malade.
I will try. J'essaierai.
I work out. Je fais de l'exercice.
I wrote it. Je l'ai écrit.
I wrote it. C'est moi qui l'ai écrit.
I'd accept. J'accepterais.
I'll check. Je vérifierai.
I'll do it. Je vais le faire.
I'll do it. Je le ferai.
I'll drive. Je conduirai.
I'll go in. J'entrerai.
I'll hurry. Je me dépêcherai.
I'll leave. Je partirai.
I'll shoot. Je tirerai.
I'll stand. Je resterai debout.
I'll start. Je commencerai.
I'm French. Je suis français.
I'm Korean. Je suis Coréen.
I'm a hero. Je suis un héros.
I'm a liar. Je suis un menteur.
I'm baking! Je cuis !
I'm better. Je vais mieux.
I'm buying. Je paie.
I'm buying. C'est moi qui paie.
I'm chubby. Je suis grassouillet.
I'm chubby. Je suis grassouillette.
I'm eating. Je mange.
I'm famous. Je suis connu.
I'm famous. Je suis connue.
I'm faster. Je suis plus rapide.
I'm flabby. Je suis flasque.
I'm greedy. Je suis cupide.
I'm greedy. Je suis gourmand.
I'm greedy. Je suis gourmande.
I'm hiding. Je me cache.
I'm honest. Je suis honnête.
I'm humble. Je suis humble.
I'm hungry! J'ai faim !
I'm hungry. J'ai faim !
I'm immune. Je suis immunisé.
I'm immune. Je suis immunisée.
I'm in bed. Je suis au lit.
I'm in bed. Je suis alité.
I'm in bed. Je suis alitée.
I'm joking. Je rigole !
I'm loaded. Je suis saoul.
I'm lonely. Je me sens seul.
I'm lonely. Je me sens seule.
I'm losing. Je suis en train de perdre.
I'm moving. Je suis en train de déménager.
I'm normal. Je suis normal.
I'm normal. Je suis normale.
I'm paying. C'est moi qui paie.
I'm paying. Je suis en train de payer.
I'm pooped. Je suis crevé.
I'm rested. Je suis reposé.
I'm rested. Je suis reposée.
I'm ruined. Je suis ruiné.
I'm ruined. Je suis ruinée.
I'm shaken. Je suis remué.
I'm shaken. Je suis remuée.
I'm single. Je suis célibataire.
I'm skinny. Je suis maigrichon.
I'm skinny. Je suis maigrichonne.
I'm sleepy! Je suis fatigué !
I'm sleepy! J'ai sommeil !
I'm sneaky. Je suis sournois.
I'm sneaky. Je suis sournoise.
I'm strict. Je suis strict.
I'm strict. Je suis stricte.
I'm strong. Je suis fort.
I'm strong. Je suis forte.
I'm thirty. J'ai trente ans.
I'm wasted. Je suis affaiblie.
I've tried. J'ai essayé.
I've tried. J'ai tenté.
Ignore Tom. Ignore Tom.
Ignore Tom. Ignorez Tom.
Ignore him. Ne faites pas attention à lui.
Is he busy? Est-il occupé ?
Is he dead? Est-il mort ?
Is he dead? Est-il décédé ?
Is he tall? Est-il grand ?
Is it done? Est-ce fait ?
Is it free? C'est gratuit ?
Is it hard? Est-ce difficile ?
Is it love? Est-ce de l'amour ?
Is it love? Est-ce de l'amour ?
Is it nice? Est-ce chouette ?
Is it safe? Est-ce sûr ?
Is it safe? Est-ce sans danger ?
Is it safe? Est-ce inoffensif ?
Is it true? C'est vrai ?
Is that it? Est-ce cela ?
Is that so? En va-t-il ainsi ?
Is that so? En est-il ainsi ?
Is that so? Est-ce le cas ?
It is cold. Il fait froid.
It matters. Ça importe.
It matters. Ça compte.
It matters. C'est important.
It went OK. Ça s'est bien passé.
It'll work. Ça fonctionnera.
It'll work. Ça marchera.
It's a fad. C'est une passade.
It's a fad. C'est une tocade.
It's a fad. C'est un phénomène de mode.
It's awful. C'est terrible.
It's awful. C'est affreux.
It's bogus. C'est du pipeau tout ça.
It's bulky. C'est encombrant.
It's cheap. C'est bon marché.
It's clean. C'est propre.
It's early. Il est tôt.
It's funny. C'est marrant.
It's funny. C'est drôle.
It's funny. C'est rigolo.
It's green. C'est vert.
It's my CD. C'est mon CD.
It's night. Il fait nuit.
It's on me. C'est pour moi.
It's phony. C'est du pipeau tout ça.
It's ready. C'est prêt.
It's right. C'est juste.
It's safer. C'est plus sûr.
It's sweet. C'est mignon.
It's sweet. C'est gentil.
It's weird. C'est bizarre.
It's wrong. C'est faux.
It's yours. C'est le tien.
It's yours. C'est la tienne.
It's yours. C'est la vôtre.
It's yours. C'est le vôtre.
Just relax. Détendez-vous.
Just relax. Détends-toi.
Keep quiet! Reste tranquille !
Keep quiet! Restez tranquille !
Keep quiet. Reste tranquille.
Keep quiet. Restez tranquille.
Keep quiet. Restez tranquilles.
Let him go! Laisse-le partir !
Let him go! Laissez-le partir !
Let him go! Laisse-le s'en aller!
Let him go! Laissez-le s'en aller!
Let him go. Laisse-le partir !
Let him go. Laissez-le partir !
Let him go. Laisse-le s'en aller!
Let him go. Laissez-le s'en aller!
Let him in. Fais-le entrer.
Let him in. Laisse-le entrer.
Let him in. Laissez-le entrer.
Let him in. Faites-le entrer.
Let me die. Laissez-moi mourir.
Let me die. Laisse-moi mourir.
Let me out! Laisse-moi sortir !
Let me out! Laissez-moi sortir !
Let me pay. Laisse-moi payer.
Let me pay. Laissez-moi payer.
Let me see. Laissez-moi voir.
Let me try. Laisse-moi essayer.
Let me try. Laissez-moi essayer.
Let us out. Laisse-nous sortir !
Let us out. Laissez-nous sortir !
Let's chat. Discutons.
Let's kiss. Embrassons-nous.
Let's pray. Prions !
Let's talk. Discutons !
Let's work. Travaillons !
Lighten up. Relaxe !
Lighten up. Détends-toi !
Look at it. Regardez-le !
Look at it. Regarde-le !
Look at me. Regarde-moi.
Look it up. Cherche-le !
Love hurts. L'amour blesse.
Love hurts. L'amour fait mal.
Mama cried. Maman a pleuré.
Mama cried. Maman pleurait.
Never mind! N'y prête pas attention.
Never mind! T'inquiète pas.
No comment. Sans commentaire.
No kidding? Vraiment ?
No kidding? Sans blague ?
No problem! Aucun problème !
No problem! Pas de problème !
No problem. Pas de problème.
No problem. Aucun problème.
No problem. Ce n'est rien.
No problem. Sans problème.
Oh, really? Oh ! Vraiment ?
Once again. Encore une fois.
Pick it up. Ramasse-le.
Please sit. Asseyez-vous, je vous prie.
Run for it! Sauve-toi !
Run for it! Sauvez-vous !
Run for it! Prends tes jambes à ton cou !
Run for it! Prenez vos jambes à votre cou !
Run for it! Prenez vos jambes à vos cous !
Run for it! Taillez-vous !
Run for it! Taille-toi !
Run for it! File !
Run for it! Filez !
Say please. Dis : « s'il te plaît ».
Say please. Dites : « s'il vous plaît ».
Shadow him. File-le !
She is old. Elle est vieille.
She smiled. Elle a souri.
She's busy. Elle est occupée.
She's nice. Elle est gentille.
Stand back! Reculez !
Stand back! Reculez !
Stand back! Recule-toi !
Stand back! Reculez-vous !
Stay awake. Reste debout.
Stay awake. Reste éveillé.
Stay sharp. Reste malin !
Step aside. Écarte-toi !
Step aside. Écartez-vous !
Stop lying. Arrête de mentir.
Stop lying. Arrêtez de mentir.
Study hard. Étudie avec application.
Study hard. Étudiez avec application.
Take a bus. Prenez un bus.
Take a nap. Fais un petit somme !
Talk to me! Parle-moi !
Talk to me! Parle-moi !
Talk to me! Parlez-moi !
Talk to me. Parle avec moi.
Talk to me. Parlez avec moi.
That a boy! C'est bien !
That a boy! T'es un bon garçon !
That hurts. Ça fait mal.
That works. Ça fonctionne.
That's all. C'est tout.
That's fun. C'est amusant.
That's fun. C'est marrant.
That's her. C'est elle.
That's his. Ce sont les siens.
That's his. C'est le sien.
That's his. C'est la sienne.
That's odd. C'est bizarre.
They agree. Ils sont d'accord.
They agree. Elles sont d'accord.
They cheat. Ils trichent.
They cheat. Elles trichent.
They voted. Ils ont voté.
They voted. Elles ont voté.
This is it. Ça y est.
This works. Ça fonctionne.
Time flies. Le temps s'enfuit.
Time flies. Le temps s'envole.
Time is up. Le temps est écoulé.
Time is up. L'heure est passée.
Tom agrees. Tom est d'accord.
Tom cheats. Tom triche.
Tom drinks. Tom boit.
Tom drives. Tom conduit.
Tom forgot. Tom a oublié.
Tom forgot. Tom oublia.
Tom helped. Tom a aidé.
Tom helped. Tom aida.
Tom jumped. Tom sauta.
Tom looked. Tom a regardé.
Tom looked. Tom regarda.
Tom nodded. Tom hocha la tête.
Tom sighed. Tom soupira.
Tom snores. Tom ronfle.
Tom yawned. Tom bailla.
Tom's dead. Tom est mort.
Tom's deaf. Tom est sourd.
Tom's died. Tom est mort.
Tom's fast. Tom est rapide.
Tom's free. Tom est libre.
Tom's glad. Tom est content.
Tom's glad. Tom est heureux.
Tom's glad. Tom est joyeux.
Tom's here. Tom est là.
Tom's here. Tom est ici.
Tom's home. Tom est chez lui.
Tom's home. Tom est à la maison.
Tom's left. Tom est parti.
Tom's left. Tom partit.
Tom's well. Tom va bien.
Tough luck! Tant pis!
Turn it up. Monte-le.
Turn it up. Montez-le.
Turn it up. Augmente-le.
Turn it up. Augmentez-le.
Wait a bit. Attends une seconde !
Wait a bit. Attends un peu.
Wait a sec. Attends une seconde !
Wait a sec. Attendez une seconde !
We all die. Nous mourons tous.
We all die. Nous mourons toutes.
We are men. Nous sommes des hommes.
We buy CDs. Nous achetons des CD.
We can pay. Nous pouvons payer.
We can try. Nous pouvons essayer.
We can try. Nous pouvons tenter.
We can win. Nous pouvons gagner.
We can win. Nous pouvons l'emporter.
We like it. Nous l'apprécions.
We made it. Nous l'avons fait.
We made it. Nous l'avons accompli.
We made it. Nous avons réussi.
We must go. Nous devons y aller.
We must go. Nous devons partir.
We must go. Il nous faut y aller.
We must go. Nous devons nous en aller.
We need it. Nous en avons besoin.
We saw you. Nous vous avons vu.
We saw you. Nous vous avons vue.
We saw you. Nous vous avons vues.
We saw you. Nous vous avons vus.
We saw you. Nous t'avons vu.
We saw you. Nous t'avons vue.
We want it. Nous le voulons.
We'll cook. Nous ferons la cuisine.
We'll fail. Nous échouerons.
We'll help. Nous apporterons de l'aide.
We'll obey. Nous obéirons.
We'll pass. Nous réussirons.
We'll swim. Nous nagerons.
We'll wait. Nous attendrons.
We'll walk. Nous marcherons.
We'll work. Nous travaillerons.
We're back. Nous sommes de retour.
We're busy. Nous sommes occupés.
We're busy. Nous sommes occupées.
We're done. Nous avons fini.
We're done. Nous avons terminé.
We're done. Nous en avons fini.
We're done. Nous en avons terminé.
We're even. Nous sommes quittes.
We're fine. Nous allons bien.
We're here. Nous sommes ici.
We're here. Nous sommes là.
We're home. Nous sommes chez nous.
We're late. Nous sommes en retard.
We're lost. Nous sommes perdus.
We're lost. Nous sommes perdues.
We're rich. Nous sommes riches.
We're safe. Nous sommes en sécurité.
We're sunk. On est foutu.
We're sunk. Nous sommes foutus.
We're weak. Nous sommes faibles.
What a day! Quelle journée !
What is it? Qu’est-ce que c’est ?
What is it? Qu'est-ce ?
What's new? Quoi de nouveau ?
Where am I? Où suis-je ?
Who are we? Qui sommes-nous ?
Who did it? Qui l'a fait ?
Who did it? Qui a fait ça ?
Who saw me? Qui m'a vu ?
Who talked? Qui a parlé ?
Who yelled? Qui a hurlé ?
Why bother? Pourquoi s'en soucier ?
You decide. Toi, décide.
You decide. Vous, décidez.
You did it! C'est toi qui l'as fait !
You did it! C'est vous qui l'avez fait !
You may go. Vous pouvez partir.
You may go. Tu peux y aller.
You may go. Tu peux partir.
You may go. Tu peux t'en aller.
You may go. Vous pouvez vous en aller.
You may go. Vous pouvez y aller.
You're bad. Tu es vilain.
You're big. Tu es grand.
You're big. Tu es grande.
You're big. Vous êtes grand.
You're big. Vous êtes grande.
You're big. Vous êtes grands.
You're big. Vous êtes grandes.
You're fun. T'es marrante.
You're fun. T'es marrant.
You're old. Tu es vieux.
You're old. Tu es vieille.
You're old. Vous êtes vieux.
You're old. Vous êtes vieilles.
You're old. Vous êtes vieille.
You're sad. Tu es triste.
You're sad. Vous êtes triste.
You're shy. Tu es timide.
You're shy. Vous êtes timide.
You've won! Vous avez gagné !
You've won! Tu as gagné !
All is well. Tout va bien.
Am I hungry! J'ai faim !
Am I stupid? Suis-je idiot ?
Am I stupid? Suis-je idiote ?
Anyone home? Quiconque est-il dans la maison ?
Anyone home? Quiconque est-il à la maison ?
Anyone home? Qui que ce soit est-il à la maison ?
Anyone hurt? Quiconque est-il blessé ?
Anyone hurt? Qui que ce soit est-il blessé ?
Are we done? Avons-nous terminé ?
Are we done? En avons-nous terminé ?
Are we lost? Sommes-nous perdus ?
Are we lost? Sommes-nous perdues ?
Are we safe? Sommes-nous en sécurité ?
Are you Tom? Êtes-vous Tom ?
Are you Tom? Est-ce que tu es Tom ?
Are you mad? Êtes-vous fou ?
Are you mad? Es-tu folle ?
Are you mad? Êtes-vous folle ?
Are you new? Tu es nouveau ?
Are you sad? Es-tu triste ?
As you like. Comme tu veux.
As you like. Comme vous voulez.
Ask anybody. Demande à n'importe qui !
Ask anybody. Demandez à n'importe qui !
Ask anybody. Demande à qui que ce soit !
Ask anybody. Demandez à qui que ce soit !
Be creative. Soyez créatives !
Be creative. Soyez créatifs !
Be creative. Soyez créative !
Be creative. Soyez créatif !
Be creative. Sois créative !
Be creative. Sois créatif !
Be discreet. Sois discret !
Be discreet. Sois discrète !
Be discreet. Soyez discret !
Be discreet. Soyez discrète !
Be discreet. Soyez discrets !
Be discreet. Soyez discrètes !
Be friendly. Soyez amicales !
Be friendly. Soyez amicaux !
Be friendly. Soyez amicale !
Be friendly. Soyez amical !
Be friendly. Sois amicale !
Be friendly. Sois amical !
Be merciful. Sois clément !
Be merciful. Sois clémente !
Be merciful. Soyez clément !
Be merciful. Soyez cléments !
Be merciful. Soyez clémente !
Be merciful. Soyez clémentes !
Be merciful. Soyez miséricordieuses !
Be merciful. Soyez miséricordieuse !
Be merciful. Soyez miséricordieux !
Be merciful. Sois miséricordieuse !
Be merciful. Sois miséricordieux !
Be prepared. Sois prêt !
Be prepared. Tiens-toi prêt !
Be prepared. Sois prête !
Be prepared. Soyez prêt !
Be prepared. Soyez prête !
Be prepared. Soyez prêts !
Be prepared. Soyez prêtes !
Be prepared. Tiens-toi prête !
Be prepared. Tenez-vous prêt !
Be prepared. Tenez-vous prête !
Be prepared. Tenez-vous prêts !
Be prepared. Tenez-vous prêtes !
Be punctual. Soyez ponctuelles !
Be punctual. Soyez ponctuelle !
Be punctual. Soyez ponctuels !
Be punctual. Soyez ponctuel !
Be punctual. Sois ponctuel !
Be punctual. Sois ponctuelle !
Be ruthless. Soyez impitoyable !
Be ruthless. Soyez impitoyables !
Be ruthless. Sois impitoyable !
Be sensible. Soyez raisonnable !
Be sensible. Soyez raisonnables !
Be sensible. Sois raisonnable !
Be yourself. Sois toi-même.
Be yourself. Soyez vous-même.
Break it up! Arrêtez !
Can it wait? Cela peut-il attendre ?
Can we come? Pouvons-nous venir ?
Can we help? Pouvons-nous donner un coup de main ?
Can we stop? Pouvons-nous arrêter ?
Can we talk? Pouvons-nous parler ?
Can you see? Arrives-tu à voir ?
Can you see? Arrivez-vous à voir ?
Can you ski? Savez-vous faire du ski ?
Can you ski? Sais-tu faire du ski ?
Can you try? Pouvez-vous essayer ?
Clean it up. Nettoyez-le.
Clean it up. Nettoie-le.
Come get it. Viens le chercher.
Come get me. Venez me chercher.
Come off it! Arrête ça !
Come off it! Arrête de te la péter !
Come off it! Arrête ton char !
Come off it! Décroche de ça !
Come off it! Change de disque !
Come off it! Laisse tomber !
Come off it. Laisse tomber.
Come off it. Arrête ton char.
Cook for me. Cuisine pour moi.
Cook for me. Cuisinez pour moi.
Count me in. Tu peux me compter dans le nombre.
Cover it up. Couvrez-le.
Cover it up. Camouflez-le.
Deal me out. Ne compte pas sur moi.
Did it hurt? Ça vous a fait mal ?
Did you win? As-tu vaincu ?
Did you win? L'avez-vous emporté ?
Did you win? L'as-tu emporté ?
Do it again! Fais-le encore une fois !
Do it again! Refais-le !
Do it again! Fais-le de nouveau !
Do it again! Fais-le à nouveau !
Do it again! Faites-le de nouveau !
Do it again! Faites-le à nouveau !
Do it again! Refaites-le !
Do it right. Fais-le comme il faut !
Do it right. Faites-le comme il faut !
Do your job. Fais ton boulot.
Don't do it! Ne le fais pas !
Don't do it! Ne le faites pas !
Don't do it. Ne le fais pas !
Don't do it. Ne le faites pas !
Don't gloat. Ne jubilez pas !
Don't gloat. Ne jubile pas !
Don't laugh. Ne ris pas.
Don't laugh. Ne riez pas.
Don't leave! Ne t'en va pas !
Don't leave! Ne pars pas !
Don't leave. Ne pars pas !
Don't leave. Ne partez pas !
Don't shoot! Ne tire pas !
Don't shoot! Ne tirez pas !
Don't shoot. Ne tire pas !
Don't shoot. Ne tirez pas !
Don't shout. Ne crie pas.
Don't worry. T'inquiète pas.
Don't worry. T'inquiète.
Don't worry. Ne t'en fais pas.
Don't worry. Ne vous en faites pas.
Don't worry. Ne vous inquiétez pas.
Flip a coin. Lance une pièce !
Get serious. Sois sérieux.
Get the box. Prends la boîte.
Get the box. Prenez la boîte.
Go home now. Va chez toi, maintenant.
Go home now. Va chez nous, maintenant.
Go home now. Va à la maison, maintenant.
Go home now. Allez chez vous, maintenant.
Go home now. Allez à la maison, maintenant.
Go on ahead. Continue en avant.
Go to sleep. Va dormir !
Grab a seat. Prends-toi un siège !
Have a beer. Prends une bière !
Have a look. Regarde !
Have a look. Regardez !
Have a look. Jette un œil !
Have a look. Jetez un œil !
Have a seat. Prenez place.
Have a seat. Prends place.
Have we met? Nous sommes-nous rencontrés ?
He can come. Il peut venir.
He can read. Il peut lire.
He can swim. Il sait nager.
He chuckled. Il gloussa.
He chuckled. Il a gloussé.
He found it. Il le trouva.
He found it. Il l'a trouvé.
He got away. Il s'en est sorti.
He grew old. Il devint vieux.
He grew old. Il est devenu vieux.
He has come! Il est venu !
He has guts. Il a des tripes.
He has wine. Il a du vin.
He helps us. Il nous aide.
He is drunk. Il est ivre.
He is drunk. Il est soûl.
He is eight. Il a huit ans.
He is hated. Il est haï.
He is nasty. Il est méchant.
He is smart. Il est intelligent.
He is young. Il est jeune.
He likes me. Il m'aime bien.
He likes me. Il m'apprécie.
He needs it. Il en a besoin.
He resigned. Il démissionna.
He squinted. Il loucha.
He squinted. Il a louché.
He stood up. Il se mit debout.
He stood up. Il se dressa.
He stood up. Il s'est levé.
He was busy. Il était occupé.
He's a hunk. C'est un beau mec.
He's a hunk. C'est un beau gosse.
He's a jerk. C'est un pauvre type.
He's a liar. C'est un menteur.
He's a nerd. C'est un binoclard.
He's a slob. C'est un flemmard.
He's asleep. Il est endormi.
He's coming. Il arrive.
He's coming. Il est en train d'arriver.
He's crying. Il est en train de pleurer.
He's faking. Il simule.
He's loaded. Il est blindé.
He's loaded. Il est pété de thune.
He's loaded. Il est plein aux as.
He's my age. Il a mon âge.
He's not in. Il n'est pas chez lui.
He's not in. Il n'est pas à l'intérieur.
He's not in. Il n'est pas là.
Help me out. Aide-moi à sortir.
Help me out. Aidez-moi à sortir.
Here I come. J'arrive.
Here I come. Me voici.
Here she is! La voilà !
Here we are! Nous voilà !
Here we are! Nous voici !
Here we are! Nous y voilà !
Here we are. On y est.
Here we are. Nous y voici.
Here we are. Nous y voilà !
How are you? Comment vas-tu ?
How are you? Comment allez-vous ?
How are you? Ça va ?
How are you? Comment allez-vous ?
How are you? Comment il va ?
How are you? Comment allons-nous ?
How are you? Comment ça va ?
How curious! Comme c'est curieux !
How is life? Comment est la vie ?
I also went. J'y suis également allé.
I am French. Je suis français.
I am Korean. Je suis Coréen.
I am a cook. Je suis cuisinier.
I am a monk. Je suis un moine.
I am better. Je vais mieux.
I am better. Je suis mieux.
I am coming. J'arrive.
I am hungry. J'ai faim !
I am joking. Je plaisante.
I am single. Je suis célibataire.
I am taller. Je suis plus grand.
I apologize. Je vous prie de m'excuser.
I asked Tom. J'ai demandé à Tom.
I assume so. Je le suppose.
I bought it. Je l'ai acheté.
I buried it. Je l'ai enterré.
I buried it. Je l'ai enterrée.
I burned it. Je l'ai brûlé.
I burned it. Je l'ai brûlée.
I came back. Je suis revenu.
I can dance. Je sais danser.
I can do it. Je peux le faire.
I can do it. Je peux y arriver.
I can do it. Je peux y parvenir.
I can do it. J'arrive à le faire.
I can't eat. Je ne peux pas manger.
I can't say. Je ne puis le dire.
I can't say. Je ne peux le dire.
I can't see. Je n'arrive pas à voir.
I can't see. Je ne parviens pas à voir.
I can't see. Je suis aveugle.
I can't win. Je ne peux gagner.
I can't win. Je ne peux pas gagner.
I can't win. Je ne puis gagner.
I caught it. Je l'ai attrapé.
I caught it. Je l'ai attrapée.
I confessed. J'ai confessé.
I confessed. Je l'ai confessé.
I could try. Je pourrais essayer.
I cut class. J'ai séché.
I didn't go. Je n'y suis pas allé.
I didn't go. Je n'y suis pas allée.
I didn't go. Je ne m'y suis pas rendu.
I didn't go. Je ne m'y suis pas rendue.
I eat alone. Je mange seul.
I eat alone. Je mange seule.
I eat bread. Je mange du pain.
I eat fruit. Je mange des fruits.
I exercised. Je me suis entraîné.
I exercised. Je me suis entraînée.
I feel blue. Je me sens déprimé.
I feel blue. Je me sens déprimée.
I feel cold. J'ai froid.
I feel fine. Je me sens bien.
I feel good. Je me sens bien.
I feel lost. Je me sens perdu.
I feel lost. Je me sens perdue.
I feel safe. Je me sens en sécurité.
I feel sick. Je me sens mal.
I feel weak. Je me sens faible.
I feel well. Je me sens bien.
I felt dumb. Je me suis senti idiot.
I felt dumb. Je me suis sentie idiote.
I felt fear. J'ai ressenti de la peur.
I felt good. Je me sentais bien.
I felt safe. Je me suis senti en sécurité.
I felt safe. Je me suis sentie en sécurité.
I got bored. J'ai commencé à m'ennuyer.
I got dizzy. J'ai été pris de vertiges.
I got dizzy. J'ai été prise de vertiges.
I got fined. On m'a mis une amende.
I got fined. On m'a collé une amende.
I got fined. J'ai pris une prune.
I got fined. J'ai été verbalisé.
I got fined. J'ai été verbalisée.
I got fined. On m'a mis une prune.
I got fined. Je me suis fait verbaliser.
I got fined. J'ai pris une contravention.
I got fined. On m'a mis une contravention.
I got fined. J'ai pris une contredanse.
I got fined. On m'a mis une contredanse.
I got lucky. J'ai eu de la chance.
I got lucky. J'ai eu du bol.
I got upset. J'ai été contrariée.
I got upset. Je me suis fâchée.
I got upset. Je me suis fâché.
I got upset. J'ai été contrarié.
I guess not. J'imagine que non.
I guess not. Je suppose que non.
I had to go. Je devais y aller.
I hate dogs. Je déteste les chiens.
I hate dogs. Je hais les chiens.
I hate fish. Je déteste le poisson.
I hate golf. Je déteste le golf.
I hate milk. Je déteste le lait.
I hate sand. Je déteste le sable.
I hate sand. Je hais le sable.
I hate that. Je déteste ça.
I hate them. Je les déteste.
I hate this. Je déteste ça.
I hate work. Je déteste le travail.
I have cash. J'ai du liquide.
I have cash. Je dispose de liquide.
I have eyes. J'ai des yeux.
I have food. J'ai de la nourriture.
I have food. Je dispose de nourriture.
I have time. J'ai du temps.
I have time. Je dispose de temps.
I have wine. J'ai du vin.
I know that. Je le sais.
I know them. Je les connais.
I know this. Je sais ça.
I know this. Je le sais.
I like blue. J'aime le bleu.
I like blue. J'apprécie le bleu.
I like both. J'aime les deux.
I like both. Les deux me plaisent.
I like cake. J'aime les gâteaux.
I like cats. J'aime les chats.
I like cats. J’aime les chats.
I like dogs. J'aime les chiens.
I like jazz. J'apprécie le jazz.
I like math. J'aime les maths.
I like milk. J'aime le lait.
I like rice. J'aime le riz.
I like rock. J'aime le rock.
I like that. J'aime cela.
I like that. J'apprécie cela.
I like them. Je les apprécie.
I like this. Je l'apprécie.
I like this. J'apprécie ceci.
I live here. J'habite ici.
I love Mary. J'aime Mary.
I love kids. J'adore les enfants.
I love life. J'adore la vie.
I loved you. Je t'aimais.
I loved you. Je t'ai aimé.
I loved you. Je t'ai aimée.
I messed up. J'ai merdé.
I messed up. J'ai foiré.
I messed up. J'ai dégueulassé.
I messed up. J'ai sali.
I messed up. J'ai mis la pagaille.
I messed up. J'ai mis le souk.
I must obey. Il me faut obéir.
I must obey. Je dois obéir.
I nailed it. C'est dans la poche !
I nailed it. Je l'ai cloué.
I nailed it. J'ai mis la main dessus.
I need food. Il me faut de la nourriture.
I need glue. J'ai besoin de colle.
I need more. Il m'en faut davantage.
I need more. Il m'en faut plus.
I need some. J'en ai besoin.
I need that. Il me faut ça.
I need that. J'en ai besoin.
I need that. C'est ce qu'il me faut.
I need time. Il me faut du temps.
I need time. J'ai besoin de temps.
I never bet. Je ne parie jamais.
I never bet. Je n'ai jamais parié.
I never win. Je ne gagne jamais.
I never win. Jamais je ne l'emporte.
I often ski. Je skie souvent.
I oppose it. J'y suis opposé.
I oppose it. Je m'y oppose.
I pay taxes. Je paie des impôts.
I pay taxes. Je paye des accises.
I recovered. Je me suis remis.
I recovered. Je me suis remise.
I recovered. Je m'en suis remis.
I recovered. Je m'en suis remise.
I said stop. J'ai dit stop.
I said that. J'ai dit ça.
I saved you. Je t'ai sauvé.
I saved you. Je t'ai sauvée.
I saved you. Je vous ai sauvé.
I saved you. Je vous ai sauvée.
I saved you. Je vous ai sauvées.
I saved you. Je vous ai sauvés.
I saw a dog. J'ai vu un chien.
I sell cars. Je vends des voitures.
I should go. Je devrais partir.
I should go. Je devrais y aller.
I smell gas. Je sens le gaz.
I surrender. Je me rends.
I thank you. Je te remercie.
I trust her. Je lui fais confiance.
I trust him. J'ai confiance en lui.
I trust him. Je lui fais confiance.
I trust you. Je me fie à toi.
I trust you. J'ai confiance en toi.
I waited up. J'ai veillé.
I want Mary. Je veux Mary.
I want cash. Je veux du liquide.
I want eggs. Je veux des œufs.
I want kids. Je veux des enfants.
I want mine. Je veux le mien.
I want mine. Je veux la mienne.
I want more. J'en veux davantage.
I want more. Je veux davantage.
I want soup. Je veux de la soupe.
I want that. Je le veux.
I want that. Moi je veux ça.
I want them. Je les veux.
I want this. Je veux ceci.
I want time. Je veux du temps.
I was alone. J'étais seul.
I was alone. Je me trouvais seul.
I was alone. Je me trouvais seule.
I was bored. Je m'ennuyais.
I was broke. J'étais sans le sou.
I was dizzy. J'avais la tête qui tournait.
I was dizzy. La tête me tournait.
I was drunk. J'étais ivre.
I was fired. J'ai été licencié.
I was fired. J'ai été viré.
I was fired. On m'a saqué.
I was hired. J'ai été engagé.
I was lucky. J'ai eu de la chance.
I was moved. J'étais ému.
I was naive. J'étais crédule.
I was naive. J'ai été crédule.
I was naive. Je fus crédule.
I was naive. J'ai été naïf.
I was naive. J'ai été naïve.
I was naive. J'étais naïf.
I was naive. J'étais naïve.
I was ready. J'étais prête.
I was ready. J'y étais prêt.
I was ready. J'y étais prête.
I was sober. J'étais sobre.
I was sorry. Je fus désolé.
I was sorry. Je fus désolée.
I was there. J'y étais.
I was there. Je m'y trouvais.
I was there. J'étais là.
I was there. Je me tenais là.
I was tired. J'étais fatigué.
I was tired. J’étais fatiguée.
I was wrong. J'avais tort.
I was wrong. J'eus tort.
I was wrong. J'ai eu tort.
I washed it. Je l'ai lavé.
I washed it. Je l'ai lavée.
I went home. J'allais à la maison.
I went, too. J'y suis également allé.
I went, too. J'y suis allé, également.
I went, too. J'y suis allé aussi.
I will come. Je viendrai.
I will help. J'aiderai.
I will obey. J'obéirai.
I will wait. J'attendrai.
I will walk. Je marcherai.
I will work. Je vais travailler.
I will work. Je travaillerai.
I won again. J'ai à nouveau gagné.
I won't cry. Je ne pleurerai pas.
I won't cry. Je ne crierai pas.
I work here. Je travaille ici.
I'll attend. Je serai présent.
I'll attend. J'y assisterai.
I'll buy it. Je l'achèterai.
I'll cancel. J'annulerai.
I'll change. Je changerai.
I'll decide. J'en déciderai.
I'll decide. Je le déciderai.
I'll get in. J'arriverai à entrer.
I'll get it. Je vais aller le chercher.
I'll get it. J'irai le chercher.
I'll get up. Je me lèverai.
I'll go now. J'y vais maintenant.
I'll go see. J'irai voir.
I'll manage. Je m'en sortirai.
I'll scream. Je crierai.
I'll try it. Je l'essayerai.
I'll try it. Je le tenterai.
I'm 17, too. J'ai également dix-sept ans.
I'm Finnish. Je suis Finlandais.
I'm Finnish. Je suis Finlandaise.
I'm Italian. Je suis italien.
I'm a baker. Je suis boulanger.
I'm a baker. Je suis boulangère.
I'm all set. Je suis tout à fait prêt.
I'm all set. Je suis tout à fait prête.
I'm ashamed. J'ai honte.
I'm at home. Je suis à la maison.
I'm at home. Je suis dans la maison.
I'm baffled. Je suis perplexe.
I'm blessed. Je suis béni.
I'm blessed. Je suis bénie.
I'm careful. Je suis prudent.
I'm careful. Je suis prudente.
I'm certain. Je suis sûr.
I'm certain. Je suis certain.
I'm chicken. J'ai les foies.
I'm chicken. J'ai les chocottes.
I'm correct. J'ai raison.
I'm curious. Je suis curieux.
I'm curious. Je suis curieuse.
I'm dancing. Je suis en train de danser.
I'm dieting. Je suis au régime.
I'm driving. Je suis en train de conduire.
I'm driving. Je conduis.
I'm engaged. Je suis fiancé.
I'm engaged. Je suis fiancée.
I'm excited. Je suis excité.
I'm excited. Je suis excitée.
I'm fasting. Je fais la diète.
I'm fasting. Je suis à la diète.
I'm finicky. Je suis méticuleux.
I'm finicky. Je suis méticuleuse.
I'm frantic. Je suis affolé.
I'm frantic. Je suis affolée.
I'm furious. Je suis furieux.
I'm healthy. Je suis en bonne santé.
I'm humming. Je fredonne.
I'm in luck. Je suis veinard.
I'm in luck. Je suis veinarde.
I'm jealous. Je suis jalouse.
I'm jittery. J'ai la frousse.
I'm kidding. Je plaisante.
I'm kidding. Je rigole !
I'm leaving. Je pars.
I'm married. Je suis marié.
I'm married. Je suis mariée.
I'm no fool. Je ne suis pas une idiote.
I'm no hero. Je ne suis pas un héros.
I'm no liar. Je ne suis pas un menteur.
I'm not fat. Je ne suis pas gros.
I'm not mad. Je ne suis pas fou.
I'm not mad. Je ne suis pas folle.
I'm not old. Je ne suis pas vieux.
I'm not old. Je ne suis pas vieille.
I'm not sad. Je ne suis pas triste.
I'm not shy. Je ne suis pas timide.
I'm on duty. Je suis en service.
I'm patient. Je suis patiente.
I'm patient. Je suis patient.
I'm popular. Je suis populaire.
I'm psyched. Je suis remonté.
I'm psychic. Je suis voyant.
I'm psychic. Je suis voyante.
I'm puzzled. Je suis perplexe.
I'm reading. Je lis.
I'm relaxed. Je suis détendu.
I'm relaxed. Je suis détendue.
I'm retired. Je suis retraité.
I'm retired. Je suis retraitée.
I'm retired. Je suis pensionné.
I'm retired. Je suis pensionnée.
I'm selfish. Je suis égoïste.
I'm serious. Je suis sérieux.
I'm shocked. Je suis choqué.
I'm shocked. Je suis choquée.
I'm sincere. Je suis sincère.
I'm sloshed. Je suis bourré.
I'm sloshed. Je suis bourrée.
I'm so full. Je suis tellement rassasié.
I'm starved. Je meurs de faim !
I'm starved. J'ai l'estomac dans les talons.
I'm starved. J'ai la dalle.
I'm starved. J'ai les crocs.
I'm staying. Je reste.
I'm stuffed. Je suis gavé.
I'm stuffed. Je suis gavée.
I'm stunned. Je suis sidéré.
I'm stunned. Je suis sidérée.
I'm talking. Je suis en train de discuter.
I'm teasing. Je taquine.
I'm thirsty. J'ai soif.
I'm through. J'en ai fini.
I'm through. J'en ai terminé.
I'm too fat. Je suis trop gros.
I'm touched. Je suis touché.
I'm touched. Je suis touchée.
I'm unhappy. Je suis mécontent.
I'm unhappy. Je suis mécontente.
I'm unlucky. J'ai la schcoumoune.
I'm wealthy. Je suis fortuné.
I'm wealthy. Je suis fortunée.
I'm winning. Je gagne.
I'm winning. Je l'emporte.
I'm working. Je suis en train de travailler.
I'm worried. Je me fais du souci.
I've failed. J'ai échoué.
Ignore them. Ignore-les.
Ignore them. Ignorez-les.
Is Tom sure? Est-ce Tom est sûr ?
Is he right? A-t-il raison ?
Is it clean? Est-ce propre ?
Is it clear? Est-ce clair ?
Is it dirty? Est-ce sale ?
Is it fatal? Est-ce fatal ?
Is it legal? Est-ce légal ?
Is it ready? Est-ce prêt ?
Is it to go? Ça doit partir ?
Is it to go? Cela doit-il partir ?
Is it to go? À emporter ?
Is it yours? Est-ce à toi ?
Is it yours? Est-ce à vous ?
Is it yours? Vous appartient-il ?
Is it yours? Est-ce le vôtre ?
Is it yours? Est-ce le tien ?
Is it yours? Est-ce la tienne ?
Is it yours? Est-ce la vôtre ?
Is she gone? S'en est-elle allée ?
Is that all? C'est tout ?
Is that you? Est-ce toi ?
Is that you? Est-ce vous ?
Is that you? Est-ce que c'est vous ?
It can't be! C'est pas possible !
It is foggy. Il y a du brouillard.
It may snow. Il va peut-être se mettre à neiger.
It was long. C'était long.
It's 50 yen. C'est 50 yen.
It's Monday. Nous sommes lundi.
It's a doll. C'est une poupée.
It's a song. C'est une chanson.
It's all OK. Tout est d'équerre.
It's all OK. C'est tout bon.
It's broken. C'est cassé.
It's cloudy. Le temps est couvert.
It's ironic. C'est ironique.
It's locked. C'est verrouillé.
It's my job. C'est mon métier.
It's my job. C'est mon emploi.
It's my son. C'est mon fils.
It's no use. Ça ne sert à rien.
It's not us. Ce n'est pas nous.
It's poison. C'est du poison.
It's secret. C'est secret.
It's silent. C'est silencieux.
It's stupid. C'est bête.
It's urgent. C'est urgent.
It's warmer. C'est plus chaud.
It's warmer. Il fait plus chaud.
Just say no. Dites simplement non !
Just say no. Dis simplement non !
Keep trying. Continue à essayer.
Keep trying. Continue d'essayer.
Keep trying. Continuez à essayer.
Keep trying. Continuez d'essayer.
Let me help. Laisse-moi t'aider !
Let me help. Laissez-moi vous aider !
Let me know. Fais-le moi savoir !
Let me know. Avise-moi !
Let me talk. Laisse-moi parler.
Let me talk. Laissez-moi parler.
Let's begin. Commençons !
Let's dance. Dansons.
Let's do it! Faisons-le !
Let's do it! Faisons-le !
Let's do it! On s'y met !
Let's do it! Mettons-nous y !
Let's do it. Faisons-le.
Let's drink. Buvons !
Let's hurry. Dépêchons-nous.
Let's split. Divisons-nous !
Let's split. Séparons-nous !
Let's start! Commençons !
Life is fun. La vie est amusante.
Look around. Regarde autour de toi.
Look around. Regardez autour de vous.
Lunch is on. Le déjeuner est prêt.
Make a list. Fais une liste !
Make a list. Faites une liste !
Make a wish. Fais un souhait !
Make a wish. Faites un souhait !
Many thanks. Merci beaucoup !
Many thanks. Merci vraiment.
Many thanks. Merci bien.
Many thanks. Mille mercis.
May I begin? Puis-je commencer ?
Money talks. L'argent est roi.
Need a lift? T'as besoin d'un chauffeur ?
Nice timing. Bien calculé !
Nice timing. Pile poil !
Nice timing. Moins une !
Nice timing. Tout juste !
Nice timing. Pile à l'heure !
No means no. « Non », ça veut dire « non ».
No one came. Personne n'est venu.
No one came. Personne ne vint.
No one died. Personne n'est mort.
No one left. Personne ne partit.
No one left. Personne n'est parti.
Nobody came. Personne n'est venu.
Nobody came. Personne ne vint.
Nobody died. Personne n'est mort.
Now I'm sad. Maintenant je suis attristé.
Now we wait. Maintenant nous attendons.
OK. I agree. Bien. Je suis d’accord.
Oh, come on. Oh, viens.
Pick a card. Pioche une carte !
Pick a card. Piochez une carte !
Pick a date. Choisissez une date !
Pick a date. Choisis une date !
Plants grow. Les plantes poussent.
Plants grow. Les plantes croissent.
Please come. Viens, s'il te plait.
Please come. S'il te plait, viens.
Please come. Venez, je vous prie.
Please come. Veuillez venir.
Please sing. Chante, je te prie !
Please sing. Chantez, je vous prie !
Please sing. S'il te plaît, chante !
Please sing. S'il vous plaît, chantez !
Please sing. Veuillez chanter !
Please stop. S'il te plaît, arrête.
Please stop. S'il vous plaît, arrêtez.
Please stop. Arrêtez, s'il vous plaît.
Please stop. Arrête, s'il te plaît.
Please stop. Veuillez arrêter.
Please stop. Merci d'arrêter.
Put it back. Remets-le en place !
Put it down. Laisse-le !
Put it down. Pose-le !
Release him. Relâche-le !
Release him. Relâchez-le !
Remember it. Souviens-en-toi.
Remember it. Souvenez-vous-en.
Send him in. Envoie-le !
Send him in. Envoyez-le !
Shall we go? Y allons-nous ?
She blushed. Elle a rougi.
She fainted. Elle est tombée dans les pommes.
She hit him. Elle le frappa.
She hit him. Elle l'a frappé.
She is curt. Elle n'a pas de charme.
She is dead. Elle est morte.
She is kind. Elle est gentille.
She is late. Elle est en retard.
She woke up. Elle se réveille.
She's a dog. C'est une enfoirée.
She's a fox. C'est un renard.
Should I go? Devrais-je y aller ?
Should I go? Devrais-je partir ?
Sleep tight. Dors bien.
Sleep tight. Dormez bien.
Stand aside. Reste à l'écart.
Stand aside. Restez à l'écart.
Stand aside. Écarte-toi.
Stand aside. Écartez-vous.
Stay in bed. Reste au lit !
Stay in bed. Restez au lit !
Stay in bed. Reste alité !
Stay in bed. Reste alitée !
Stay in bed. Restez alité !
Stay in bed. Restez alitée !
Stay in bed. Restez alités !
Stay in bed. Restez alitées !
Step inside. Avance à l'intérieur.
Step inside. Avancez à l'intérieur.
Stop crying. Arrête de pleurer !
Stop crying. Arrêtez de pleurer !
Stop trying. Arrête d'essayer.
Take a bite. Croque !
Take a bite. Prends une bouchée !
Take a bite. Prenez une bouchée !
Take a bite. Croquez !
Take a card. Prends une carte.
Take a card. Prenez une carte.
Take a look. Regarde !
Take a look. Regardez !
Take a look. Jette un œil !
Take a look. Jetez un œil !
Take a rest. Reposez-vous.
Take a rest. Repose-toi.
Take a seat. Assieds-toi !
Take a seat. Asseyez-vous !
Take a seat. Prenez place !
Take a seat. Prends place !
Take a walk. Va marcher !
Take a walk. Allez marcher !
Take it all. Prends tout !
Take it all. Prenez tout !
That is all. C'est tout.
That worked. Ça a fonctionné.
That worked. Ça a marché.
That's cool. C'est super.
That's cool. C'est cool.
That's hers. Ce sont les siens.
That's hers. C'est le sien.
That's hers. C'est la sienne.
That's hers. C'est à elle.
That's icky. C'est collant.
That's icky. C'est gnangnan.
That's lame. C'est minable.
That's lame. C'est faible.
That's mine. C'est le mien.
That's mine. C'est la mienne.
That's true. C'est exact.
That's true. C'est juste.
That's ugly. C'est laid.
That's wise. C'est sage.
The TV's on. La télé est allumée.
There he is. Le voilà.
There he is. Le voici.
There it is. Il est là.
They burned. Ils ont brûlé.
They burned. Elles ont brûlé.
They got it. Ils l'ont eu.
They got it. Ils l'ont eue.
They hugged. Ils se sont enlacés.
They hugged. Elles se sont enlacées.
They obeyed. Ils ont obéi.
They obeyed. Elles ont obéi.
They smiled. Ils ont souri.
They smiled. Elles ont souri.
They're bad. Ils sont mauvais.
They're bad. Elles sont mauvaises.
They're old. Ils sont vieux.
They're old. Elles sont vieilles.
This is bad. Ça pue.
This is bad. C'est pas bon.
This is bad. Ce n'est pas bon.
This is bad. C'est mauvais.
This is big. C'est gros.
This is big. C'est grand.
This is fun. C'est amusant.
This is his. C'est le sien.
This is his. C'est la sienne.
This is new. C'est nouveau.
This is new. C'est neuf.
This is odd. C'est bizarre.
This stinks. Ça pue.
Tom blinked. Tom a cligné des yeux.
Tom drowned. Tom se noya.
Tom drowned. Tom s'est noyé.
Tom is dead. Tom est mort.
Tom is nuts. Tom est malade mental.
Tom is weak. Tom est faible.
Tom laughed. Tom rit.
Tom left me. Tom m’a quitté.
Tom left me. Tom m’a quittée.
Tom listens. Tom écoute.
Tom'll quit. Tom va démissionner.
Tom'll quit. Tom va arrêter.
Tom's alive. Tom est vivant.
Tom's alive. Tom est en vie.
Tom's alone. Tom est tout seul.
Tom's alone. Tom est seul.
Tom's bored. Tom s'ennuie.
Tom's funny. Tom est drôle.
Tom's funny. Tom est rigolo.
Tom's funny. Tom est marrant.
Tom's lying. Tom ment.
Tom's sorry. Tom est désolé.
Turn around. Faites demi-tour.
Turn around. Fais demi-tour.
Turn it off. Éteins-le !
Turn it off. Éteignez-le !
Wait for us. Attends-nous !
Wait for us. Attendez-nous !
Wake Tom up. Réveille Tom !
War is evil. La guerre est mauvaise.
War is hell. La guerre, c'est l'enfer.
Was I wrong? Est-ce que j'avais tort ?
Was I wrong? Avais-je tort ?
Was I wrong? Ai-je eu tort ?
We all know. Nous le savons tous.
We all know. Nous le savons toutes.
We all quit. Nous démissionnons tous.
We all quit. Nous démissionnons toutes.
We all quit. Nous arrêtons toutes.
We all quit. Nous arrêtons tous.
We all work. Nous travaillons tous.
We all work. Nous travaillons toutes.
We are even. Nous sommes quittes.
We are even. Nous sommes à égalité.
We are here. Nous sommes ici.
We are here. Nous y sommes.
We are late. Nous sommes en retard.
We broke up. Nous nous sommes séparés.
We broke up. Nous nous sommes séparées.
We broke up. Nous nous séparâmes.
We broke up. Nous éclatâmes de rire.
We broke up. Nous avons éclaté de rire.
We broke up. Nous avons rompu.
We can meet. Nous pouvons nous rencontrer.
We can talk. Nous pouvons discuter.
We can wait. Nous pouvons attendre.
We can't go. Nous ne pouvons y aller.
We can't go. Nous ne pouvons nous y rendre.
We can't go. Nous ne pouvons pas y aller.
We can't go. Nous ne pouvons pas nous y rendre.
We can't go. Nous ne pouvons pas partir.
We did fine. Nous nous en sommes bien tirés.
We did fine. Nous nous en sommes bien tirées.
We did that. Nous avons fait cela.
We did that. On a fait ça.
We found it. Nous l'avons trouvé.
We know him. Nous le connaissons.
We know him. On le connaît.
We like Tom. Nous aimons bien Tom.
We like Tom. Nous aimons Tom.
We like Tom. Nous apprécions Tom.
We like him. Nous l'apprécions.
We like him. Nous l'aimons bien.
We miss you. Tu nous manques.
We miss you. Vous nous manquez.
We must act. Il nous faut agir.
We must run. Il nous faut courir.
We must try. Il nous faut essayer.
We need Tom. Nous avons besoin de Tom.
We promised. Nous promîmes.
We promised. Nous avons promis.
We remember. Nous nous souvenons.
We remember. Nous nous en souvenons.
We survived! Nous avons survécu !
We survived. Nous survécûmes.
We survived. Nous avons survécu.
We want Tom. Nous voulons Tom.
We'll check. Nous vérifierons.
We'll dance. Nous danserons.
We'll drive. Nous conduirons.
We'll fight. Nous combattrons.
We'll hurry. Nous nous dépêcherons.
We'll share. Nous partagerons.
We'll shoot. Nous tirerons.
We'll stand. Nous nous tiendrons debout.
We'll start. Nous commencerons.
We're alone. Nous sommes seuls.
We're alone. Nous sommes seules.
We're angry. Nous sommes en colère.
We're armed. Nous sommes armés.
We're armed. Nous sommes armées.
We're bored. Nous nous ennuyons.
We're bored. On s'emmerde.
We're broke. Nous sommes fauchés.
We're broke. Nous sommes fauchées.
We're broke. On est fauchés.
We're dying. Nous sommes en train de mourir.
We're early. Nous sommes en avance.
We're going. Nous y allons.
We're happy. Nous sommes heureux.
We're ready. Nous sommes prêtes.
We're saved. Nous sommes sauvés.
We're saved. Nous sommes sauvées.
We're smart. Nous sommes intelligents.
We're smart. Nous sommes intelligentes.
We're sorry. Nous sommes désolés.
We're sorry. Nous sommes désolées.
We're stuck. Nous sommes coincés.
We're stuck. Nous sommes coincées.
We're tired. Nous sommes fatigués.
We're tired. Nous sommes fatiguées.
We're twins. Nous sommes jumeaux.
We're twins. Nous sommes jumelles.
What a bore! Quel emmerdeur !
What a bore! Quelle emmerdeuse !
What a dope! Quelle andouille !
What a dope! Quel couillon !
What a drag! Quel boulet !
What a dump. Quel taudis !
What a heel! Quel malandrin !
What a jerk! Quel naze !
What a joke! Quelle blague !
What a loss! Quelle perte !
What a mess! Quel bordel !
What a mess! Quelle pagaille !
What a pain! Quelle plaie.
What a pity! Dommage !
What a pity! Quel dommage !
What a team! Quelle équipe !
What is art? Qu'est-ce que l'art ?
What was it? Qu'était-ce ?
What was it? Qu'est-ce que c'était ?
What was it? De quoi s'agissait-il ?
What was it? Qu'y avait-il ?
What'd I do? Que ferais-je ?
What's that? Qu'est-ce que c'est que ça ?
What's that? Qu'est-ce ?
What's that? Qu'est-ce là ?
What's that? Qu'est cela ?
What's this? Qu’est-ce que c’est ?
What's this? C'est quoi ?
What's this? C'est quoi, ça ?
Where is he? Où est-il ?
Where was I? Où en étais-je ?
Where was I? Où étais-je ?
Who are you? Qui es-tu ?
Who are you? Qui êtes-vous ?
Who is next? À qui le tour ?
Who's going? Qui va y aller ?
Who's there? Qui est là ?
Whose is it? À qui est-ce ?
Will it fit? Cela ira-t-il ?
Will it fit? Cela passera-t-il ?
Will it fit? Cela s'adaptera-t-il ?
Will you go? Irez-vous ?
Will you go? Iras-tu ?
Will you go? T'y rendras-tu ?
Will you go? Vous y rendrez-vous ?
Work slowly. Travaille lentement !
Work slowly. Travaillez lentement !
You are big. Tu es grand.
You are big. Tu es grande.
You are big. Vous êtes grand.
You are big. Vous êtes grande.
You are big. Vous êtes grands.
You are big. Vous êtes grandes.
You are mad. Tu es fou.
You cheated. Tu as triché.
You cheated. Vous avez triché.
You fainted. Vous vous êtes évanoui.
You fainted. Vous vous êtes évanouie.
You hurt me. Tu me fais mal.
You hurt me. Vous me faites mal.
You may sit. Vous pouvez vous asseoir.
You may sit. Tu peux t'asseoir.
You must go. Il faut que tu t'en ailles.
You must go. Tu dois y aller.
You must go. Tu dois partir.
You must go. Tu dois t'en aller.
You're back. Tu es de retour.
You're back. Vous êtes de retour.
You're cool. T'es sympa.
You're cool. T'es décontracté.
You're fair. Tu es juste.
You're fair. Vous êtes juste.
You're fair. Vous êtes justes.
You're fine. Tu vas bien.
You're free. Tu es libre.
You're free. Vous êtes libres.
You're free. Vous êtes libre.
You're good. Vous êtes bon.
You're good. Vous êtes bonne.
You're good. Vous êtes bons.
You're good. Vous êtes bonnes.
You're good. Tu es bon.
You're good. Tu es bonne.
You're good. T'es bon.
You're good. T'es bonne.
You're kind. Tu es gentil.
You're kind. Tu es gentille.
You're lazy. Tu es paresseux.
You're lazy. Tu es paresseuse.
You're lazy. Vous êtes paresseux.
You're lazy. Vous êtes paresseuses.
You're lazy. Vous êtes paresseuse.
You're lost. Tu es perdu.
You're lost. Tu es perdue.
You're nice. T'es sympa.
You're nice. Vous êtes sympa.
You're nice. Vous êtes sympas.
You're nuts! Tu es fou !
You're nuts! T'es dingue !
You're nuts! Vous êtes dingue !
You're nuts! Vous êtes dingues !
You're nuts! T'es givré !
You're nuts! T'es givrée !
You're nuts! Vous êtes givré !
You're nuts! Vous êtes givrée !
You're nuts! Vous êtes givrés !
You're nuts! Vous êtes givrées !
You're rich. Tu es riche.
You're rich. Vous êtes riche.
You're rich. Vous êtes riches.
You're rude. Tu es grossier.
You're rude. Vous êtes grossiers.
You're rude. Vous êtes grossière.
You're rude. Vous êtes grossières.
You're rude. Tu es grossière.
You're safe. Tu es en sécurité.
You're safe. Vous êtes en sécurité.
You're safe. Tu es sauf.
You're safe. Vous êtes saufs.
You're safe. Vous êtes sauf.
You're safe. Vous êtes sauve.
You're safe. Vous êtes sauves.
You're safe. Tu es sauve.
You're sick! Vous êtes malade !
You're sick! Tu es malade!
You're sick! Vous êtes malade!
You're thin. Tu es mince.
You're thin. Vous êtes mince.
You're thin. Vous êtes minces.
You're weak. Tu es faible.
You're weak. Vous êtes faible.
You're weak. Vous êtes faibles.
Abandon ship! Abandonnez le navire !
All is quiet. Tout est calme.
All is still. Tout est calme.
Am I correct? Ai-je raison ?
Anybody here? Y a-t-il quelqu'un ?
Anybody here? Y a-t-il qui que soit ici ?
Anybody home? Quelqu'un est-il là ?
Anybody home? Y a-t-il quelqu'un ?
Anybody home? Y a-t-il quelqu'un dans la maison ?
Anybody hurt? Quiconque a-t-il été blessé ?
Anybody hurt? Qui que ce soit est-il blessé ?
Anything new? Il y a du nouveau ?
Are we alone? Sommes-nous seuls ?
Are we alone? Sommes-nous seules ?
Are we broke? Sommes-nous fauchés ?
Are we broke? Sommes-nous fauchées ?
Are we ready? Sommes-nous prêts ?
Are we ready? Sommes-nous prêtes ?
Are you bald? Es-tu chauve ?
Are you bald? Êtes-vous chauves ?
Are you bald? Êtes-vous chauve ?
Are you busy? Es-tu occupé ?
Are you busy? Êtes-vous occupé ?
Are you busy? Êtes-vous occupée ?
Are you busy? Es-tu occupé ?
Are you busy? Es-tu occupée ?
Are you busy? Êtes-vous occupés ?
Are you busy? Êtes-vous occupées ?
Are you deaf? Es-tu sourd ?
Are you deaf? Êtes-vous sourd ?
Are you deaf? Êtes-vous sourde ?
Are you deaf? Es-tu sourde ?
Are you home? Es-tu chez toi ?
Are you home? Êtes-vous chez vous ?
Are you home? Es-tu chez nous ?
Are you home? Es-tu chez moi ?
Are you home? Êtes-vous chez nous ?
Are you home? Êtes-vous chez moi ?
Are you home? Es-tu à la maison ?
Are you home? Êtes-vous à la maison ?
Are you hurt? T'es-tu blessé ?
Are you hurt? Es-tu blessé ?
Are you hurt? Êtes-vous blessé ?
Are you hurt? Êtes-vous blessés ?
Are you hurt? Êtes-vous blessées ?
Are you hurt? Êtes-vous blessée ?
Are you hurt? Vous êtes-vous blessé ?
Are you hurt? Vous êtes-vous blessée ?
Are you hurt? Vous êtes-vous blessés ?
Are you hurt? Vous êtes-vous blessées ?
Are you lost? Êtes-vous perdu ?
Are you lost? Êtes-vous perdus ?
Are you lost? Êtes-vous perdues ?
Are you lost? Es-tu perdu ?
Are you lost? Es-tu perdue ?
Are you lost? Êtes-vous perdue ?
Are you sick? Es-tu malade ?
Are you sure? Es-tu sûr ?
Are you sure? Es-tu sûre ?
Are you sure? Êtes-vous sûr ?
Are you sure? Êtes-vous sûre ?
Are you sure? Êtes-vous sûres ?
Are you sure? Êtes-vous sûrs ?
Are you sure? Êtes-vous sûr ?
Are you sure? Es-tu sûr ?
Are you sure? Êtes-vous sûrs ?
Are you sure? Êtes-vous sûres ?
Be attentive. Sois attentif.
Be attentive. Sois attentive.
Be confident. Sois confiant !
Be confident. Soyez confiant !
Be confident. Soyez confiants !
Be confident. Soyez confiante !
Be confident. Soyez confiantes !
Be confident. Sois confiante !
Beef, please. Du bœuf s'il vous plaît.
Beef, please. Du bœuf, s'il vous plaît.
Bring a date. Amène une copine !
Bring him in. Fais-le entrer.
Can I go now? Puis-je m'en aller maintenant ?
Can I go now? Puis-je partir maintenant ?
Can I go now? Est-ce que je pourrais y aller maintenant ?
Can I try it? Je peux essayer ?
Can he do it? Peut-il le faire ?
Can he do it? Est-il en mesure de le faire ?
Can we leave? Pouvons-nous partir ?
Can we leave? Peut-on s'en aller ?
Can we start? Pouvons-nous commencer ?
Can you come? Peux-tu venir ?
Can you come? Pouvez-vous venir ?
Can you stay? Pouvez-vous rester ?
Can you swim? Sais-tu nager ?
Can you swim? Est-ce que tu sais nager ?
Can you swim? Est-ce que vous savez nager ?
Can you swim? Savez-vous nager ?
Can you swim? Sais-tu nager ?
Can you walk? Peux-tu marcher ?
Can you walk? Pouvez-vous marcher ?
Check it out! Vérifiez !
Check it out! Vérifie !
Come at once. Viens ici immédiatement.
Come back in. Reviens à l'intérieur.
Come help me. Viens m'aider.
Come help me. Viens me donner un coup de main.
Come join us. Viens nous rejoindre !
Come join us. Viens te joindre à nous !
Come join us. Venez vous joindre à nous !
Come join us. Venez nous rejoindre !
Come quickly! Viens vite !
Come quickly! Venez vite !
Come quickly! Dépêche-toi de venir !
Come quickly! Dépêchez-vous de venir !
Come quickly. Viens vite.
Come quickly. Venez vite.
Come up here. Approche.
Come up here. Approchez.
Come with me. Venez avec moi.
Come with me. Viens avec moi.
Come with me. Joignez-vous à nous.
Come with us. Venez avec nous.
Cool it down. Baisse le ton.
Could we sit? Pourrions-nous nous asseoir ?
Cover for me. Remplace-moi.
Cut that out! Arrête !
Cut that out! Arrêtez !
Cut that out! Arrêtez ça !
Cut that out! Arrête ça !
Did Tom call? Est-ce que Tom a appelé ?
Did Tom fall? Tom est-il tombé ?
Did Tom stay? Tom est-il resté ?
Did Tom swim? Tom a-t-il nagé ?
Did you sign? As-tu signé ?
Did you vote? As-tu voté ?
Did you vote? Avez-vous voté ?
Do I look OK? Ai-je l'air bien ?
Do you agree? Es-tu d'accord ?
Do you agree? Es-tu d’accord ?
Do you agree? Tu es d'accord ?
Do you drink? Buvez-vous ?
Do you drink? Bois-tu ?
Do you smoke? Fumez-vous ?
Do you smoke? Fumes-tu ?
Do you smoke? Tu fumes ?
Do you smoke? Est-ce que tu fumes ?
Do you smoke? Est-ce que vous fumez ?
Do your best! Fais de ton mieux !
Do your best. Faites de votre mieux.
Does it hurt? Cela fait-il mal ?
Does it hurt? Est-ce que ça fait mal ?
Does it work? Est-ce que ça marche ?
Does it work? Est-ce que ça fonctionne ?
Don't ask me. Ce n'est pas à moi qu'il faut le demander.
Don't be sad. Ne sois pas malheureux.
Don't be sad. Ne sois pas vexé.
Don't be shy. Ne sois pas timide.
Don't bother. Ne dérange pas.
Don't bother. Ne dérangez pas.
Don't forget. Ne l'oubliez pas !
Don't get up. Ne vous levez pas.
Don't kid me! Ne me fais pas marcher !
Don't kid me! Ne me faites pas marcher !
Don't kid me! Ne me charrie pas !
Don't kid me! Ne me charriez pas !
Don't litter! Ne pas déverser d'immondices !
Don't ramble. Ne radote pas.
Don't ramble. Ne radotez pas.
Don't resist. Ne résiste pas !
Drive safely. Conduis prudemment !
Drive safely. Conduisez prudemment.
Drop the gun. Lâche l'arme !
Drop the gun. Lâchez l'arme !
Easy does it. On se calme !
Easy does it. On n'est pas aux pièces !
Find the cat. Trouvez le chat.
Find the cat. Trouve le chat.
Fish, please. Du poisson s'il vous plaît.
Get a doctor. Va chercher un médecin !
Get a doctor. Allez chercher un médecin !
Get my rifle. Attrape mon fusil !
Get my rifle. Attrapez mon fusil !
Get my rifle. Attrape ma carabine !
Get my rifle. Attrapez ma carabine !
Ghosts exist. Les fantômes existent.
Go to school. Va à l'école.
Go to school. Allez à l'école !
Good for you. C'est bien pour toi.
Good for you. C'est bien pour vous.
Grab my hand. Saisis-moi la main !
Grab my hand. Saisissez-moi la main !
Hand it over. Remets-le.
Hand it over. Remettez-le.
Have a donut. Prends un beignet.
Have a donut. Prenez un beignet.
Have a drink. Prends un verre !
Have a drink. Prenez un verre !
Have a drink. Prends une boisson !
Have a drink. Prenez une boisson !
Have a taste. Goûte !
Have a taste. Goûtez !
Have another. Prends-en un autre.
He avoids me. Il m'évite.
He could die. Il se pourrait qu'il meure.
He denied it. Il l'a nié.
He denied it. Il le nia.
He denied it. Il l'a refusé.
He denied it. Il le refusa.
He dozed off. Il s'est endormi.
He dumped me. Il m'a plaquée.
He dumped me. Il m'a laissée tomber.
He got angry. Il s'est fâché.
He got angry. Il s'est mis en colère.
He had a dog. Il avait un chien.
He has a car. Il dispose d'un véhicule.
He has money. Il dispose d'argent.
He helps her. Il l'aide.
He is a poet. C'est un poète.
He is a poet. Il est poète.
He is asleep. Il est endormi.
He is cranky. Il est excentrique.
He is eating. Il est en train de manger.
He is heroic. Il est héroïque.
He is not in. Il n'est pas chez lui.
He is not in. Il n'est pas à l'intérieur.
He kicked it. Il y donna un coup de pied.
He let me go. Il m'a laissé m'en aller.
He let me go. Il m'a laissée m'en aller.
He let me go. Il m'a laissé partir.
He let me go. Il m'a laissée partir.
He let me go. Il me laissa partir.
He let me go. Il me laissa m'en aller.
He let us go. Il nous laissa partir.
He let us go. Il nous laissa nous en aller.
He let us go. Il nous a laissés nous en aller.
He let us go. Il nous a laissées nous en aller.
He let us go. Il nous a laissées partir.
He let us go. Il nous a laissés partir.
He likes tea. Il aime le thé.
He lost face. Il a perdu la face.
He loves her. Il l'aime.
He mocked me. Il s'est moqué de moi.
He needs you. Il a besoin de toi.
He needs you. Il a besoin de vous.
He shall die. Il doit mourir.
He wants one. Il en veut une.
He wants one. Il en veut un.
He was alone. Il était seul.
He was brave. Il était brave.
He was brave. Il était courageux.
He was great. Il a été super.
He was lucky. Il a eu de la chance.
He was naive. Il était crédule.
He was naive. Il était naïf.
He was wrong. Il eut tort.
He was wrong. Il avait tort.
He was wrong. Il a eu tort.
He will come. Il devrait arriver.
He will come. Il viendra.
He will wait. Il attendra.
He's English. Il est Anglais.
He's a bigot. C'est un bigot.
He's a bigot. C'est un sectaire.
He's a bigot. C'est un fanatique.
He's a bigot. C'est un illuminé.
He's in pain. Il souffre.
He's married. Il est marié.
He's my hero. C'est mon héros.
He's out now. Il est actuellement à l'extérieur.
He's so cute. Il est si mignon !
He's so cute. Il est tellement mignon !
Hello, girls. Salut les filles !
Hey, wait up! Hé, un moment !
How annoying! C'est bien embêtant !
How did I do? Comment ai-je fait ?
How horrible! Quelle horreur !
How romantic! Comme c'est romantique !
I admire you. Je t'admire.
I admire you. Je vous admire.
I always win. Je gagne toujours.
I am Italian. Je suis italien.
I am ashamed. J'ai honte.
I am at home. Je suis à la maison.
I am curious. Je suis curieux.
I am married. Je suis mariée.
I am so sick. Je suis tellement malade.
I am so sick. Je suis si malade.
I am so sick. C'est moi qui suis tellement malade.
I am so sick. C'est moi qui suis si malade.
I am thirsty. J'ai soif.
I am working. Je suis en train de travailler.
I apologized. J'ai présenté mes excuses.
I ate apples. J'ai mangé des pommes.
I ate caviar. J'ai mangé du caviar.
I believe it. J'y crois.
I believe it. Je le crois.
I called him. Je l'ai appelé.
I called you. Je vous ai appelés.
I called you. Je vous ai appelées.
I called you. Je vous ai appelée.
I called you. Je vous ai appelé.
I called you. Je t'ai appelé.
I called you. Je t'ai appelée.
I can fix it. Je peux le réparer.
I can fix it. Je peux la réparer.
I can manage. Je peux me débrouiller.
I can't help. Je n'y peux rien.
I can't move. Je ne peux pas bouger.
I can't sing. Je suis incapable de chanter.
I can't sing. Je ne sais pas chanter.
I can't swim. Je ne sais pas nager.
I can't wait. Je suis impatient.
I can't wait. Je suis impatiente.
I caught Tom. J'ai attrapé Tom.
I could help. Je pourrais aider.
I could help. Je pouvais aider.
I could walk. Je pouvais marcher.
I could walk. Je pourrais marcher.
I cried, too. J'ai également pleuré.
I cut myself. Je me suis coupé.
I cut myself. Je me suis coupée.
I cut myself. Je me coupai.
I deserve it. Je le mérite.
I did my job. J'ai fait mon travail.
I did my job. Je fis mon travail.
I did my job. J'ai effectué mon boulot.
I did see it. Je l'ai vu, en effet.
I didn't ask. Je n'ai pas demandé.
I didn't cry. Je n'ai pas pleuré.
I didn't pay. Je n'ai pas payé.
I didn't win. Je n'ai pas gagné.
I didn't win. Je ne l'ai pas emporté.
I don't bite. Je ne mords pas.
I don't care. Ça m'est égal.
I don't care. Je m'en fous.
I don't date. Je ne sors pas avec des filles.
I don't date. Je ne sors pas avec des garçons.
I don't date. Je ne sors pas avec une fille.
I don't date. Je ne sors pas avec un garçon.
I don't date. Je ne courtise pas.
I don't know. Je l'ignore.
I don't mind. Ça m'est égal.
I don't mind. Cela m'est égal.
I doubt that. J'en doute.
I drank milk. Je buvais du lait.
I drink beer. Je bois de la bière.
I enjoyed it. J'y ai pris plaisir.
I feel alive. Je me sens vivant.
I feel awful. Je me sens affreusement mal.
I feel dizzy. Je me sens drôle.
I feel faint. Je sens que je vais m'évanouir.
I feel faint. Je me sens mal.
I feel faint. Je me sens faible.
I feel faint. Je me sens pris de malaise.
I feel faint. Je me sens prise de malaise.
I feel funny. Je me sens drôle.
I feel funny. Je me sens bizarre.
I feel giddy. J'ai la tête qui tourne.
I feel giddy. J'ai la tête qui me tourne.
I feel giddy. Je suis pris de vertiges.
I feel giddy. Je suis prise de vertiges.
I feel happy. Je me sens heureux.
I feel lucky. Je me sens en veine.
I feel ready. Je me sens prêt.
I feel ready. Je me sens prête.
I feel silly. Je me sens stupide.
I feel young. Je me sens jeune.
I felt awful. Je me sentis affreusement mal.
I felt awful. Je me suis sentie affreusement mal.
I felt awful. Je me suis senti affreusement mal.
I felt great. Je me suis très bien senti.
I felt great. Je me suis très bien sentie.
I felt happy. Je me suis senti heureux.
I felt happy. Je me suis sentie heureuse.
I felt naked. Je me sentis nu.
I felt naked. Je me suis senti nu.
I felt naked. Je me sentis nue.
I felt naked. Je me suis senti nue.
I felt safer. Je me sentais davantage en sécurité.
I go jogging. Je vais courir.
I go to work. Je vais travailler.
I go to work. Je me rends au travail.
I go to work. Je vais au travail.
I got carded. On m'a demandé ma carte d'identité pour vérifier mon âge.
I got caught. Je me suis fait prendre.
I got caught. On m'a attrapé.
I got caught. On m'a attrapée.
I got dumped. On m'a largué.
I got dumped. On m'a larguée.
I got dumped. J'ai été largué.
I got dumped. J'ai été larguée.
I got sleepy. J'ai commencé à avoir sommeil.
I got soaked. Je me suis fait tremper.
I had doubts. J'avais des doutes.
I handled it. Je m'en suis occupé.
I handled it. J'ai su y faire.
I handled it. Je m'en suis sorti.
I handled it. Je m'en suis sortie.
I handled it. J'ai géré.
I hate beans. Je déteste les haricots.
I hate flies. Je déteste les mouches.
I hate liars. Je déteste les menteurs.
I have a car. J'ai une voiture.
I have a car. Je dispose d'une voiture.
I have a cat. J'ai un chat.
I have a cat. J'ai une chatte.
I have a dog. J'ai un chien.
I have a pen. J’ai un stylo.
I have hives. J'ai de l'urticaire.
I have needs. J'ai des besoins.
I have plans. J'ai des plans.
I have proof. J'ai une preuve.
I have proof. Je dispose d'une preuve.
I have to go. Je dois y aller.
I have to go. Il me faut y aller.
I have to go. Il me faut partir.
I have to go. Il me faut m'en aller.
I have to go. Je dois partir.
I have to go. Je dois m'en aller.
I hear music. J'entends de la musique.
I heard that. J'ai entendu ça.
I helped out. J'ai donné un coup de main.
I honor that. J'honore cela.
I hugged her. Je l'étreignis.
I improvised. J'ai improvisé.
I just moved. Je viens juste de déménager.
I just moved. Je viens juste de bouger.
I just moved. Je viens d'être muté.
I keep a dog. J'élève un chien.
I kissed Tom. J'ai embrassé Tom.
I like China. J'aime la Chine.
I like R & B. J'aime le R&B.
I like bread. J'aime le pain.
I like chess. J'apprécie les échecs.
I like fruit. J'aime les fruits.
I like girls. J'aime les filles.
I like honey. J'aime le miel.
I like music. J'aime la musique.
I like opera. J'apprécie l'opéra.
I like sushi. J'aime les sushis.
I like these. J'aime ceux-ci.
I like these. J'aime celles-ci.
I like women. J'apprécie les femmes.
I like women. J'aime les femmes.
I love books. J'adore les livres.
I love bread. J'adore le pain.
I love games. J'adore les jeux.
I love jokes. J'adore les blagues.
I love jokes. J'adore les plaisanteries.
I love music. J'adore la musique.
I love music. J'aime beaucoup la musique.
I love trips. J'aime les voyages.
I loved that. J'adorais ça.
I loved that. J'ai adoré ça.
I made a bet. J'ai effectué un pari.
I made plans. J'ai élaboré des plans.
I made plans. J'ai fait des projets.
I made these. J'ai fait ceux-ci.
I made these. J'ai fait celles-ci.
I made these. J'ai confectionné ceux-ci.
I might stay. Il se pourrait que je reste.
I missed you. Tu m'as manqué.
I must hurry. Je dois me grouiller.
I must hurry. Je dois me dépêcher.
I must hurry. Je dois me hâter.
I must leave. Il me faut partir.
I must leave. Je dois partir.
I must study. Je dois étudier.
I need a car. J'ai besoin d'une voiture.
I need a hug. J'ai besoin d'un câlin.
I need a job. Il me faut un travail.
I need a job. J'ai besoin d'un emploi.
I need a job. J'ai besoin d'un boulot.
I need a map. Il me faut une carte.
I need a pen. J'ai besoin d'un stylo.
I need money. J'ai besoin d'argent.
I need paint. J'ai besoin de peinture.
I need paint. Il me faut de la peinture.
I need proof. J'ai besoin de preuves.
I need proof. Il me faut des preuves.
I need sleep. J'ai besoin de sommeil.
I need space. J'ai besoin d'espace.
I need sugar. J'ai besoin de sucre.
I need to go. Je dois y aller.
I need to go. Je dois partir.
I need to go. Je dois m'en aller.
I need water. Il me faut de l'eau.
I need water. J'ai besoin d'eau.
I never lose. Je ne perds jamais.
I often read. Je lis souvent.
I play piano. Je joue du piano.
I read books. Je lis des livres.
I rewrote it. Je l'ai réécrit.
I rewrote it. Je le réécrivis.
I said maybe. J'ai dit peut-être.
I see a book. Je vois un livre.
I see a lion. Je vois un lion.
I see a rose. Je vois une rose.
I sell shoes. Je vends des chaussures.
I started it. Je l'ai démarré.
I started it. Je l'ai démarrée.
I started it. Je l'ai initié.
I started it. Je l'ai initiée.
I still care. Je m'en soucie encore.
I suppose so. Je le suppose.
I sympathize. Je compatis.
I teach here. J'enseigne ici.
I thought so. Je m'en suis douté.
I took risks. J'ai pris des risques.
I tried hard. J'ai essayé de toutes mes forces.
I tried that. J'ai essayé ça.
I understand. Je comprends.
I understood. J'ai compris.
I want a lot. J'en veux plein.
I want a lot. J'en veux beaucoup.
I want facts. Il me faut des faits.
I want proof. Je veux une preuve.
I want these. Je veux ceux-là.
I want these. Je veux celles-là.
I want to go. Je veux partir.
I want to go. Je veux m'en aller.
I want to go. Je veux y aller.
I was asleep. J'étais endormi.
I was asleep. J'étais endormie.
I was beaten. J'ai été frappé.
I was beaten. J'ai été frappée.
I was burned. J'ai été brûlé.
I was burned. J'ai été brûlée.
I was canned. On m'a saqué.
I was framed. On m'a tendu un piège.
I was lonely. J'étais esseulé.
I was lonely. J'étais esseulée.
I was shaken. J'ai été remué.
I was shaken. J'ai été remuée.
I was shaken. J'ai été secoué.
I was shaken. J'ai été secouée.
I was sleepy. J'avais envie de dormir.
I was stupid. J'étais stupide.
I was warned. J'ai été prévenu.
I was warned. J'ai été prévenue.
I was warned. On m'a prévenu.
I was warned. On m'a prévenue.
I went twice. J'y suis allé deux fois.
I went twice. Je m'y suis rendu à deux reprises.
I went twice. Je m'y suis rendue à deux reprises.
I went twice. J'y suis allée deux fois.
I will fight. Je me battrai.
I will learn. J'apprendrai.
I will shoot. Je tirerai.
I won't come. Je ne viendrai pas.
I wonder who. Je me demande qui.
I wonder why. Je me demande pourquoi.
I work alone. Je travaille seul.
I work alone. Je travaille seule.
I wrote that. C'est moi qui ai écrit ça.
I wrote that. J'ai écrit ça.
I'd buy that. Je l'achèterais.
I'd buy that. Je le goberais.
I'll ask him. Je lui demanderai.
I'll be back. Je reviens.
I'll be back. Je reviendrai.
I'll be fine. Ça va aller.
I'll be free. Je serai libre.
I'll be late. Je serai en retard.
I'll be nice. Je serai gentil.
I'll be nice. Je serai gentille.
I'll explain. J'expliquerai.
I'll get ice. J'irai chercher de la glace.
I'll get you. J'irai te chercher.
I'll get you. J'irai vous chercher.
I'll get you. J'irai te prendre.
I'll get you. J'irai vous prendre.
I'll go back. Je reviendrai.
I'll go home. J'irai chez moi.
I'll go look. J'irai voir.
I'll go next. J'irai ensuite.
I'll grab it. Je mettrai la main dessus.
I'll grab it. Je le saisirai.
I'll grab it. Je l'attraperai.
I'll jump in. Je m'y joindrai.
I'll just go. Je vais juste y aller.
I'll kill it. Je le tuerai.
I'll open it. Je l'ouvrirai.
I'll pay you. Je te paierai.
I'll pay you. Je vous paierai.
I'll read it. Je le lirai.
I'll risk it. Je tenterai le coup.
I'll sign it. Je le signerai.
I'll sue you. Je te poursuivrai en justice.
I'll sue you. Je te ferai un procès.
I'll sue you. Je vous poursuivrai en justice.
I'll sue you. Je vous ferai un procès.
I'll take it. Je le prends.
I'm a coward. Je suis un couard.
I'm a coward. Je suis un lâche.
I'm a doctor. Je suis médecin.
I'm a doctor. Je suis toubib.
I'm a farmer. Je suis fermier.
I'm a farmer. Je suis agriculteur.
I'm a farmer. Je travaille dans ma ferme.
I'm a farmer. Je suis un agriculteur.
I'm a purist. Je suis un puriste.
I'm addicted. Je suis drogué.
I'm addicted. Je suis accro.
I'm addicted. J'ai une assuétude.
I'm all done. J'ai tout fini.
I'm all done. J'ai tout terminé.
I'm all ears. Je suis tout ouïe.
I'm an adult. Je suis adulte.
I'm an agent. Je suis un agent.
I'm bleeding. Je suis en train de saigner.
I'm confused. Je me mélange les pinceaux.
I'm creative. Je suis créatif.
I'm creative. Je suis créative.
I'm cultured. Je suis cultivé.
I'm cultured. Je suis cultivée.
I'm divorced. Je suis divorcé.
I'm divorced. Je suis divorcée.
I'm drowning. Je suis en train de me noyer.
I'm eighteen. J'ai dix-huit ans.
I'm faithful. Je suis fidèle.
I'm famished. Je suis affamé !
I'm fearless. Je suis intrépide.
I'm fighting. Je me bats.
I'm finished. J'ai terminé.
I'm finished. J'en ai terminé.
I'm free now. Je suis libre maintenant.
I'm freezing. Je suis gelé.
I'm grounded. Je suis cloué.
I'm grounded. Je suis clouée.
I'm gullible. Je suis crédule.
I'm homesick. J'ai le mal du pays.
I'm hungover. J'ai la gueule de bois.
I'm in Paris. Je suis à Paris.
I'm innocent. Je suis innocent.
I'm innocent. Je suis innocente.
I'm innocent. Je suis ingénu.
I'm innocent. Je suis ingénue.
I'm involved. Je suis impliqué.
I'm involved. Je suis impliquée.
I'm managing. Je m'en sors.
I'm new here. Je suis nouveau, ici.
I'm no rebel. Je ne suis pas un rebelle.
I'm no saint. Je ne suis pas un saint.
I'm no saint. Je ne suis pas une sainte.
I'm not busy. Je ne suis pas occupé.
I'm not deaf. Je ne suis pas sourd.
I'm not deaf. Je ne suis pas sourde.
I'm not done. Je n'ai pas fini.
I'm not done. Je n'ai pas terminé.
I'm not done. Je n'en ai pas terminé.
I'm not dumb. Je ne suis pas abruti.
I'm not dumb. Je ne suis pas abrutie.
I'm not evil. Je ne suis pas mauvais.
I'm not here. Je ne suis pas ici.
I'm not here. Je ne suis pas là.
I'm not home. Je ne suis pas chez moi.
I'm not home. Je ne suis pas à la maison.
I'm not hurt. Je ne suis pas blessé.
I'm not hurt. Je ne suis pas blessée.
I'm not mean. Je ne suis pas méchant.
I'm not mean. Je ne suis pas méchante.
I'm not rich. Je ne suis pas riche.
I'm not sure. Je n'en suis pas certain.
I'm not sure. Je n'en suis pas certaine.
I'm not tall. Je ne suis pas grand.
I'm not tall. Je ne suis pas grande.
I'm not ugly. Je ne suis pas laid.
I'm not ugly. Je ne suis pas laide.
I'm not well. Je ne vais pas bien.
I'm off-duty. Je ne suis pas en service.
I'm offended. Je suis offensé.
I'm offended. Je suis offensée.
I'm outraged. Je suis indigné.
I'm outraged. Je suis indignée.
I'm powerful. Je suis puissant.
I'm powerful. Je suis puissante.
I'm prepared. Je suis prêt.
I'm prepared. Je suis préparée.
I'm prepared. Je suis préparé.
I'm punctual. Je suis ponctuel.
I'm punctual. Je suis ponctuelle.
I'm rational. Je suis rationnel.
I'm rational. Je suis rationnelle.
I'm reformed. Je me suis amendé.
I'm reformed. Je me suis amendée.
I'm reliable. Je suis fiable.
I'm restless. Je ne tiens pas en place.
I'm ruthless. Je suis impitoyable.
I'm shooting. Je tire.
I'm sleeping. Je suis en train de dormir.
I'm so sorry. Je suis tellement désolé !
I'm so sorry. Je suis tellement désolée !
I'm so tired! Je suis si fatigué !
I'm so tired! Je suis tellement las !
I'm speaking. Je suis en train de parler.
I'm starving! Je meurs de faim !
I'm starving. Je crève de faim !
I'm starving. J'ai la fringale.
I'm stubborn. Je suis têtu.
I'm stubborn. Je suis têtue.
I'm stubborn. Je suis obstiné.
I'm stubborn. Je suis obstinée.
I'm the boss. C'est moi le patron.
I'm the boss. C'est moi la patronne.
I'm the boss. Je suis le patron.
I'm the boss. Je suis la patronne.
I'm thinking. Je réfléchis.
I'm thorough. Je suis minutieux.
I'm thorough. Je suis minutieuse.
I'm thorough. Je suis consciencieux.
I'm thorough. Je suis consciencieuse.
I'm thrilled. Je suis ravi.
I'm thrilled. Je suis ravie.
I'm ticklish. Je suis chatouilleux.
I'm ticklish. Je suis chatouilleuse.
I'm too busy. Je suis trop occupé.
I'm too busy. Je suis trop occupée.
I'm too busy. Je suis trop affairé.
I'm too busy. Je suis trop affairée.
I'm truthful. Je dis la vérité.
I'm unbiased. Je suis impartial.
I'm unbiased. Je suis impartiale.
I'm upstairs. Je suis au-dessus.
I'm very fat. Je suis très gros.
I'm very fat. Je suis très gras.
I'm very sad. Je suis très triste.
I'm very shy. Je suis très timide.
I'm worn out. Je suis épuisé.
I've checked. J'ai vérifié.
I've decided. J'ai décidé.
I've done it. Je l'ai fait.
I've got you. Je t'ai eu.
I've got you. Je t'ai eue.
I've got you. Je vous ai eu.
I've got you. Je vous ai eue.
I've got you. Je vous ai eus.
I've got you. Je vous ai eues.
I've lost it. Je l’ai perdu.
I've no idea. Je n'ai aucune idée.
I've no idea. Je n'en ai aucune idée.
I've retired. J'ai pris ma retraite.
I've seen it. Je l'ai vu.
Iron is hard. Le fer est dur.
Is Tom alive? Est-ce que Tom est vivant ?
Is Tom drunk? Tom est-il saoul ?
Is Tom drunk? Tom est-il ivre ?
Is Tom there? Est-ce que Tom est là ?
Is Tom there? Est ce que Tom est ici ?
Is it a deal? Est-ce une bonne affaire ?
Is it a deer? Est-ce un cerf ?
Is it a deer? S'agit-il d'un cerf ?
Is it a joke? Est-ce une blague ?
Is it a joke? S'agit-il d'une blague ?
Is it a wolf? Est-ce un loup ?
Is it a wolf? Est-ce une louve ?
Is it an elk? Est-ce un élan ?
Is it broken? Est-ce cassé ?
Is it broken? Est-ce brisé ?
Is it cancer? S'agit-il d'un cancer ?
Is it cloudy? Est-ce nuageux ?
Is it enough? Est-ce assez ?
Is it nearby? Est-ce proche ?
Is it nearby? Est-ce dans les environs ?
Is that a no? Est-ce un non ?
Is that love? C'est ça l'amour ?
Is that love? Est-ce de l'amour ?
Is that true? C'est vrai ?
Is this fake? Est-ce une imitation ?
Is this fake? Est-ce une simulation ?
Is this fake? Est-ce du chiqué ?
Is this fake? C'est du chiqué ?
Is this fake? Est-ce un pastiche ?
Is this love? C'est ça l'amour ?
Is this love? Est-ce de l'amour ?
Is this love? Est-ce de l'amour ?
Is this love? Est-ce l'amour ?
Is this love? Serait-ce de l'amour ?
Is this wine? S'agit-il de vin ?
Is this wine? Est-ce du vin ?
It amazed me. Ça m'a épaté.
It felt good. Ça faisait du bien.
It has begun. Ça a commencé.
It is a book. C'est un livre.
It is a book. Ceci est un livre.
It is a song. C'est une chanson.
It is my cat. C'est mon chat.
It is unfair. C'est injuste.
It isn't new. Ce n'est pas nouveau.
It scared me. Ça m'a fait peur.
It took time. Ça a pris du temps.
It was black. C'était noir.
It was night. Il faisait nuit.
It was night. C'était la nuit.
It was noisy. C'était bruyant.
It was white. C'était blanc.
It wasn't me. Ce n'était pas moi.
It will burn. Ça va brûler.
It will heal. Cela guérira.
It'll happen. Ça arrivera.
It'll happen. Ça surviendra.
It'll happen. Ça aura lieu.
It's a curse. C'est une malédiction.
It's a shame. C'est dommage.
It's all wet. Tout est mouillé.
It's awesome. C'est génial.
It's awesome. C'est super.
It's awesome. C'est effarant.
It's bedtime. Il est temps de dormir.
It's bedtime. C'est l'heure de se coucher.
It's complex. C'est compliqué.
It's complex. C'est complexe.
It's for you. C'est pour toi.
It's for you. C'est pour vous.
It's garbage. Ce sont des conneries.
It's garbage. C'est de la daube.
It's garbage. Ce sont des détritus.
It's hideous. C'est hideux.
It's missing. C'est manquant.
It's missing. Ça fait défaut.
It's morning. On est le matin.
It's my book. C'est mon livre.
It's my turn. C'est mon tour.
It's no good. Ce n'est pas bon.
It's no joke. Ce n'est pas une blague.
It's not new. Ce n'est pas nouveau.
It's nothing. Ce n'est rien.
It's obvious. C'est évident.
It's obvious. C'est patent.
It's obvious. Cela coule de source.
It's on fire. C'est en feu.
It's on fire. C'est déchaîné.
It's our car. C'est notre voiture.
It's perfect. C'est parfait.
It's serious. C'est sérieux.
It's snowing. Il neige.
It's started. C'est commencé.
It's suicide. C'est du suicide.
It's the law. C'est la loi.
It's too big. C'est trop grand.
It's too big. C'est trop gros.
It's too hot. Il fait trop chaud.
Just say yes. Dis juste oui !
Just say yes. Dites juste oui !
Keep driving. Avance !
Keep driving. Continue à rouler !
Keep driving. Continuez à rouler !
Keep driving. Roule !
Keep driving. Roulez !
Keep it warm. Garde-le au chaud.
Keep looking. Continue à regarder !
Keep looking. Continuez à regarder !
Keep reading. Continuez à lire !
Keep reading. Continue à lire !
Keep running. Continue à courir.
Keep running. Continuez à courir.
Keep working. Continue à travailler !
Keep working. Continuez à travailler !
Ladies first. Les femmes d'abord.
Lead the way. Montre le chemin.
Lead the way. Montrez le chemin.
Let go of it. Oublie ça.
Let go of me. Lâche-moi !
Let go of me. Lâchez-moi !
Let her talk. Laisse-la parler.
Let her talk. Laissez-la parler.
Let him talk. Laisse-le parler.
Let him talk. Laissez-le parler.
Let me check. Laisse-moi vérifier.
Let me check. Laissez-moi vérifier.
Let me check. Laisse-moi contrôler.
Let me check. Laissez-moi contrôler.
Let me leave! Laisse-moi partir !
Let me sleep. Laisse-moi dormir.
Let me sleep. Laissez-moi dormir.
Let's all go. Allons-y tous !
Let's all go. Allons-y toutes !
Let's bounce. Rebondissons !
Let's go now. Allons-y maintenant.
Let's listen. Écoutons !
Let's not go. N'y allons pas !
Let's not go. Ne partons pas !
Life goes on. La vie continue.
Life is hard. La vie est dure.
Look at this. Regarde ça !
Look at this. Regardez ça !
Look closely. Regarde attentivement.
Make a guess. Devine !
Make a guess. Hasarde une hypothèse !
Mary is cute. Marie est mignonne.
May I cut in? Puis-je vous interrompre ?
May I try it? Est-ce que je peux l'essayer ?
Men are pigs. Les hommes sont des cochons.
Men are pigs. Les hommes sont des égoïstes.
Must I go on? Dois-je continuer ?
Must I hurry? Dois-je me dépêcher ?
My eyes hurt. J'ai mal aux yeux.
My feet hurt. Mes pieds me font mal.
My hip hurts. Ma hanche me fait mal.
Need I go on? Ai-je besoin de continuer ?
No one cared. Personne ne s'en souciait.
No one cares. Tout le monde s'en fout.
No one cares. Tout le monde s'en fiche.
No one cares. Personne ne s'en soucie.
No one knows. Personne ne sait.
No one moved. Personne ne bougea.
No one moved. Personne n'a bougé.
No one spoke. Personne ne parla.
No one spoke. Personne n'a parlé.
Nobody asked. Personne n'a demandé.
Nobody knows. Personne ne sait.
Now drink up. Maintenant, bois d'un coup !
Now drink up. Maintenant, buvez d'un coup !
Now drink up. Finis ton verre, maintenant !
Now drink up. Vide ton verre, maintenant !
Now drink up. Videz votre verre, maintenant !
Now drink up. Finissez votre verre, maintenant !
Now fix that. Maintenant, répare ça.
Now fix that. Maintenant, corrigez cela.
Now leave us. Maintenant laissez nous.
Now leave us. Maintenant laisse-nous.
Now leave us. Vous pouvez disposer.
OK. Go ahead. D'accord, allez-y.
Our eyes met. Nos yeux se sont croisés.
Play it cool. Joue-la pépère.
Please hurry. Dépêchez-vous s'il vous plaît.
Please leave. Veuillez vous en aller.
Please leave. Pars, s'il te plaît.
Please leave. Pars, je te prie.
Please leave. Je te prie de partir.
Please leave. Je vous prie de partir.
Please relax. S'il te plaît, calme-toi.
Please smile. Souris, s'il te plaît !
Please smile. Souris, je te prie !
Please smile. Souriez, s'il vous plaît !
Please smile. Souriez, je vous prie !
Please smile. Veuillez sourire !
See you soon! À bientôt !
See you soon! À tout à l'heure !
Set Tom free. Libère Tom.
Set Tom free. Libérez Tom.
Shame on you! Honte à toi !
Shame on you. Honte à toi !
She can swim. Elle sait nager.
She helps us. Elle nous aide.
She is a fox. C'est un renard.
She is lucky. Elle est chanceuse.
She is lucky. Elle est chançarde.
She is quiet. Elle est tranquille.
She is sharp. Elle est tranchante.
She is sharp. Elle est affûtée.
She is wrong. Elle a tort.
She is young. Elle est jeune.
She knows me. Elle me connaît.
She liked it. Elle l'apprécia.
She liked it. Elle l'a apprécié.
She liked it. Elle a aimé ça.
She may come. Peut-être viendra-t-elle.
She shot him. Elle lui tira dessus.
She shot him. Elle le descendit.
She shrieked. Elle a crié.
She shrieked. Elle cria.
She stood up. Elle se leva.
She sued him. Elle l'a poursuivi en justice.
She sued him. Elle le poursuivit en justice.
She sued him. Elle lui a fait un procès.
She sued him. Elle lui fit un procès.
She was busy. Elle était occupée.
She went out. Elle est partie.
She went out. Elle sortit.
Should we go? Devrions-nous y aller ?
Someone came. Quelqu'un est venu.
Stay a while. Reste un moment !
Stay with me. Reste avec moi.
Stay with me. Restez avec moi.
Stay with us. Reste avec nous.
Stay with us. Restez avec nous.
Stay with us. Demeure avec nous.
Stay with us. Demeurez avec nous.
Stop arguing. Arrête de te disputer !
Stop arguing. Arrête de te quereller !
Stop arguing. Arrêtez de vous quereller !
Stop arguing. Arrêtez de vous disputer !
Stop filming. Arrête de filmer.
Stop gawking. Arrête de bayer aux corneilles.
Stop reading. Arrêtez de lire.
Stop reading. Arrête de lire.
Stop smoking. Arrête de fumer.
Stop staring. Arrête de me fixer !
Stop staring. Arrêtez de me fixer !
Stop talking. Arrête de parler.
Stop the car. Arrête la voiture !
Stop the car. Arrêtez la voiture !
Stop yelling! Arrête de hurler !
Stop yelling! Arrêtez de hurler !
Stop yelling! Cesse de hurler !
Stop yelling! Cessez de hurler !
Stop yelling. Arrête de hurler.
Stop yelling. Arrêtez de hurler.
Sweet dreams! Fais de beaux rêves !
Sweet dreams! Faites de beaux rêves !
Take a break. Fais une pause !
Take a break. Faites une pause !
Take a break. Fais une pause.
Take a whiff. Prends une bouffée.
Take it easy! Détendez-vous !
Take it easy! Relaxe, Max !
Take it easy! Cool, Raoul !
Take it easy! Relaxe !
Take it easy. Reste cool.
Take me home. Amène-moi à la maison.
Tell me more. Dis-m'en davantage.
Tell me more. Conte-m'en davantage !
Thanks a lot. Merci bien.
Thanks a lot. Mille mercis.
That is mine. C'est le mien.
That is mine. C'est la mienne.
That is mine. C'est à moi.
That will do. Ça fera l'affaire.
That's a lie. Il s'agit d'un mensonge.
That's a lot! C'est beaucoup !
That's clear. C'est clair.
That's crazy. C'est fou.
That's crazy. C'est dingue.
That's funny. C'est amusant.
That's funny. C'est drôle.
That's great! C'est grand !
That's great! Super !
That's right! C'est vrai !
That's right! C'est juste !
That's right. C'est exact.
That's right. C'est juste.
That's weird. C'est bizarre.
They approve. Ils approuvent.
They approve. Elles approuvent.
They crashed. Ils se sont écrasés.
They crashed. Elles se sont écrasées.
They escaped. Ils se sont échappés.
They escaped. Elles se sont échappées.
They gave up. Ils ont abandonné.
They gave up. Elles ont abandonné.
They gave up. Ils abandonnèrent.
They gave up. Elles abandonnèrent.
They hate us. Ils nous détestent.
They hate us. Elles nous détestent.
They know us. Elles nous connaissent.
They laughed. Ils ont ri.
They laughed. Elles ont ri.
They refused. Ils ont refusé.
They refused. Elles ont refusé.
They relaxed. Ils se sont détendus.
They relaxed. Elles se sont détendues.
They said no. Ils dirent non.
They said no. Elles dirent non.
They said no. Ils ont dit non.
They said no. Elles ont dit non.
They sweated. Ils ont transpiré.
They sweated. Elles ont transpiré.
They'll grow. Ils grandiront.
They'll grow. Elles grandiront.
They're back. Ils sont de retour.
They're back. Elles sont de retour.
They're boys. Ce sont des garçons.
They're cold. Ils sont froids.
They're cold. Elles sont froides.
They're cool. Ils sont sympa.
They're cool. Elles sont sympa.
They're cops. Ce sont des flics.
They're cute. Ils sont mignons.
They're cute. Elles sont mignonnes.
They're dead. Ils sont décédés.
They're dead. Elles sont décédées.
They're done. Ils ont terminé.
They're done. Elles ont terminé.
They're free. Ils sont libres.
They're free. Elles sont libres.
They're gone. Ils sont partis.
They're gone. Elles sont parties.
They're gone. Il n'y en a plus.
They're here. Ils sont là.
They're mine. Ils sont à moi.
They're mine. Ils sont miens.
They're mine. Ce sont les miens.
They're mine. Ce sont les miennes.
They're mine. Elles sont miennes.
They're mine. Elles sont à moi.
They're rich. Ils sont riches.
They're rich. Elles sont riches.
They're weak. Ils sont faibles.
They're weak. Elles sont faibles.
This is easy. C'est simple.
This is fine. C'est parfait.
This is free. C'est gratuit.
This is gold. C'est de l'or.
This is hers. Ce sont les siens.
This is hers. Ce sont les siennes.
This is huge. C'est énorme.
This is lame. C'est mauvais.
This is life! C'est la vie !
This is love. C'est l'amour.
This is love. C'est de l'amour.
This is mine. C'est le mien.
This is mine. Il s'agit du mien.
This is nice. C'est chouette.
This is sick. C'est dingue.
This is ugly. C'est hideux.
This is ugly. C'est laid.
Tom finished. Tom a fini.
Tom is a spy. Tom est un espion.
Tom is awful. Tom est horrible.
Tom is blind. Tom est aveugle.
Tom is cruel. Tom est cruel.
Tom is drunk. Tom est soûl.
Tom is drunk. Tom est saoul.
Tom is drunk. Tom est ivre.
Tom is dying. Tom meurt.
Tom is there. Tom est là-bas.
Tom listened. Tom écouta.
Tom loved it. Tom adorait ça.
Tom needs me. Tom a besoin de moi.
Tom shrugged. Tom haussa les épaules.
Tom stutters. Tom bégaie.
Tom was poor. Tom était pauvre.
Tom was shot. Tom s'est fait tirer dessus.
Tom will cry. Tom va pleurer.
Tom's afraid. Tom est effrayé.
Tom's afraid. Tom est apeuré.
Tom's asleep. Tom est endormi.
Tom's coming. Tom vient.
Tom's coming. Tom arrive.
Tom's eating. Tom est en train de manger.
Tom's famous. Tom est célèbre.
Tom's famous. Tom est connu.
Tom's guilty. Tom est coupable.
Trust no one. Ne vous fiez à personne !
Trust no one. Ne te fie à personne !
Trust no one. Ne fais confiance à personne !
Trust no one. Ne faites confiance à personne !
Try it again. Essaie encore.
Try it again. Essaye encore.
Try it again. Essaie de nouveau.
Try it again. Essaye de nouveau.
Try it again. Essaie à nouveau.
Try it again. Essaye à nouveau.
Try to sleep. Essaie de dormir.
Try to sleep. Essayez de dormir.
Unbelievable! Incroyable !
Use them all. Utilise-les tous !
Use them all. Utilise-les toutes !
Use them all. Utilisez-les tous !
Use them all. Utilisez-les toutes !
Wait a while. Attendez un moment.
Wait a while. Attends un moment !
Wait for Tom. Attends Tom.
Wait for Tom. Attendez Tom.
Want a drink? Veux-tu un verre ?
We all cried. Nous avons tous pleuré.
We all cried. Nous avons toutes pleuré.
We apologize. Nous présentons nos excuses.
We are Arabs. Nous sommes arabes.
We are happy. Nous sommes heureux.
We can't win. Nous ne pouvons par l'emporter.
We could die. Nous pourrions mourir.
We felt good. Nous nous sommes sentis bien.
We get on OK. Nous nous entendons bien.
We get on OK. On s'entend bien.
We got lucky. Nous avons eu de la chance.
We got lucky. On a eu de la chance.
We got ready. Nous nous sommes apprêtés.
We got ready. Nous nous sommes apprêtées.
We have wine. Nous avons du vin.
We live here. Nous vivons ici.
We met today. Nous nous sommes rencontrés aujourd'hui.
We met today. Nous nous sommes rencontrées aujourd'hui.
We might die. Il se pourrait que nous mourions.
We must obey. Il nous faut obéir.
We must talk. Il nous faut discuter.
We must talk. Il faut que nous discutions.
We must wait. Il nous faut attendre.
We need both. Nous avons besoin des deux.
We need help. Nous avons besoin d'aide.
We need rest. Nous avons besoin de repos.
We need time. Il nous faut du temps.
We needed it. Nous en avions besoin.
We overslept. Nous n'avons pas entendu le réveil.
We overslept. Nous n'entendîmes pas le réveil.
We sat there. Nous nous sommes assis là-bas.
We should go. Nous devrions partir.
We succeeded! Nous avons réussi !
We succeeded. Nous avons réussi.
We surrender. Nous nous rendons.
We trust him. Nous avons confiance en lui.
We want jobs. Nous voulons des emplois.
We were busy. Nous étions occupés.
We were busy. Nous étions occupées.
We'll attack. Nous attaquerons.
We'll attend. Nous y assisterons.
We'll decide. Nous déciderons.
We'll follow. Nous suivrons.
We'll manage. Nous y arriverons.
We'll manage. Nous nous débrouillerons.
We'll manage. Nous gèrerons.
We'll starve. Nous mourrons de faim.
We're a team. Nous sommes une équipe.
We're adults. Nous sommes des adultes.
We're all OK. Nous allons tous bien.
We're at war. Nous sommes en guerre.
We're biased. Notre point de vue est biaisé.
We're biased. Nous avons des préjugés.
We're buying. Nous achetons.
We're closed. Nous sommes fermés.
We're coming. Nous venons.
We're dating. Nous sortons ensemble.
We're doomed. Nous sommes condamnés.
We're hiding. Nous nous cachons.
We're inside. Nous sommes à l'intérieur.
We're joking. Nous plaisantons.
We're losing. Nous perdons.
We're losing. Nous sommes en train de perdre.
We're moving. Nous sommes en train de bouger.
We're normal. Nous sommes normaux.
We're normal. Nous sommes normales.
We're paying. Nous sommes en train de payer.
We're pooped. Nous sommes crevés.
We're pooped. Nous sommes crevées.
We're ruined. Nous sommes ruinés.
We're ruined. Nous sommes ruinées.
We're shaken. Nous sommes remués.
We're shaken. Nous sommes remuées.
We're sneaky. Nous sommes sournois.
We're sneaky. Nous sommes sournoises.
We're strong. Nous sommes forts.
We're strong. Nous sommes fortes.
We're trying. Nous essayons.
Welcome back. Sois de nouveau le bienvenu !
Welcome back. Sois de nouveau la bienvenue !
Welcome back. Soyez de nouveau le bienvenu !
Welcome back. Soyez de nouveau la bienvenue !
Welcome home. Bienvenue à la maison.
What a loser! Quel raté !
What a loser! Quel naze !
What a night! Quelle nuit !
What a night! Quelle soirée !
What a phony! Quel charlatan !
What a shame! Quelle honte !
What a shame! Dommage !
What a shock! Quel choc !
What a waste! Quel gâchis !
What a woman! Quelle femme !
What is love? Qu'est-ce que l'amour ?
What is love? Qu'est l'amour ?
What is that? Qu'est-ce que c'est que ça ?
What is that? Qu'est-ce ?
What is that? Qu'est-ce que c'est?
What is this? Qu’est-ce que c’est ?
What is this? Qu'est ceci ?
What's wrong? Qu'est-ce qui ne va pas ?
Where is she? Où est-elle ?
Who are they? Qui sont-ils ?
Who are they? Qui sont-elles ?
Who broke it? Qui l'a cassé ?
Who built it? Qui l'a construit ?
Who built it? Qui l'a bâti ?
Who built it? Qui l'a construite ?
Who built it? Qui l'a bâtie ?
Who did this? Qui a fait ça ?
Who has come? Qui est venu ?
Who sent you? Qui t'a envoyé ?
Who sent you? Qui t'a envoyée ?
Who sent you? Qui vous a envoyé ?
Who sent you? Qui vous a envoyée ?
Who told you? Qui vous l'a dit ?
Who told you? Qui vous l'a raconté ?
Who vanished? Qui a disparu ?
Who vanished? Qui s'est éclipsé ?
Who wants it? Qui veut ça ?
Who wants it? Qui en veut ?
Who wants it? Qui le veut ?
Who was here? Qui était ici ?
Who will pay? Qui va payer ?
Who will pay? Qui paiera ?
Who will win? Qui va gagner ?
Who's coming? Qui vient ?
Who's hungry? Qui a faim ?
Why not both? Pourquoi pas les deux ?
Will he live? Vivra-t-il ?
Wish me luck. Souhaite-moi chance !
Wish me luck. Souhaitez-moi chance !
Write in ink. Ecrivez à l'encre.
Write to Tom. Écris à Tom.
Write to Tom. Écrivez à Tom.
Years passed. Des années ont passé.
You amuse me. Tu m'amuses.
You are good. Vous êtes bon.
You are good. Vous êtes bonne.
You are good. Vous êtes bons.
You are good. Vous êtes bonnes.
You are good. Tu es bon.
You are good. Tu es bonne.
You are late. Tu es en retard.
You are late. Vous êtes en retard.
You are rich. Vous êtes riches.
You can come. Tu peux te joindre.
You can come. Vous pouvez venir.
You can help. Tu peux aider.
You can rest. Vous pouvez vous reposer.
You did this. Tu as fais ceci.
You did this. Vous avez fait ceci.
You go first. Vas-y d'abord.
You go first. Allez-y.
You go first. Je vous en prie.
You go first. Toi d'abord.
You go first. Vous en premier.
You go first. Je t'en prie.
You hurt him. Tu l'as blessé.
You look fat. Vous avez l'air gros.
You look fat. Tu as l'air gros.
You look fat. Tu as l'air grosse.
You look fat. Vous avez l'air grosse.
You may swim. Vous pouvez nager.
You may swim. Tu peux nager.
You may swim. Tu as la permission de nager.
You promised. Tu as promis.
You promised. Vous avez promis.
You scare me. Tu me fais peur.
You scare me. Vous me faites peur.
You were shy. Tu étais timide.
You were shy. Vous étiez timide.
You will die. Tu mourras.
You'll be OK. Ça ira.
You're bossy. Tu joues au chef.
You're bossy. Tu fais le chef.
You're crazy. Tu es fou.
You're cruel. Tu es cruelle.
You're cruel. Tu es cruel.
You're cruel. Vous êtes cruelle.
You're cruel. Vous êtes cruelles.
You're cruel. Vous êtes cruel.
You're cruel. Vous êtes cruels.
You're early. Tu viens tôt.
You're early. Vous êtes matinal.
You're early. Vous êtes matinale.
You're early. Tu es matinal.
You're early. Tu es matinale.
You're early. Tu es en avance.
You're early. Vous êtes en avance.
You're fired. Tu es viré.
You're fired. Tu es licencié.
You're first. Tu es en premier.
You're first. Tu passes en premier.
You're first. Vous êtes en premier.
You're funny. T'es marrante.
You're funny. T'es marrant.
You're funny. Vous êtes marrants.
You're funny. Vous êtes marrantes.
You're funny. Vous êtes marrant.
You're funny. Vous êtes marrante.
You're fussy. Tu es difficile.
You're fussy. Tu fais des manières.
You're fussy. Vous faites des manières.
You're gross! Tu es malpoli !
You're lying! Tu mens !
You're lying! Vous mentez !
You're lying. Vous mentez.
You're moody. Tu es lunatique.
You're naive. Tu es naïf.
You're naive. Tu es naïve.
You're naive. Vous êtes naïf.
You're naive. Vous êtes naïve.
You're naive. Vous êtes naïfs.
You're naive. Vous êtes naïves.
You're quiet. Tu es calme.
You're quiet. Tu es tranquille.
You're right. Tu as raison.
You're silly. Tu es idiot.
You're silly. Vous êtes idiot.
You're silly. Vous êtes idiote.
You're silly. Tu es idiote.
You're silly. Vous êtes idiots.
You're silly. Vous êtes idiotes.
You're stuck. T'es planté.
You're stuck. T'es plantée.
You're stuck. Vous êtes plantés.
You're stuck. Vous êtes plantées.
You're stuck. Vous êtes plantée.
You're stuck. Vous êtes planté.
You're tough. Tu es dure.
You're tough. Tu es dur.
You're tough. Vous êtes dur.
You're tough. Vous êtes dure.
You're tough. Vous êtes durs.
You're tough. Vous êtes dures.
You're upset. Tu es contrariée.
You're upset. Tu es contrarié.
You're weird. Tu es bizarre.
You're weird. Vous êtes bizarre.
You're weird. Vous êtes bizarres.
You're wrong. Tu es dans l'erreur.
You're wrong. Tu as tort.
You're young. Tu es jeune.
You're young. Vous êtes jeune.
You're young. Vous êtes jeunes.
You've tried. Tu as essayé.
You've tried. Vous avez essayé.
A car hit Tom. Tom a été heurté par une voiture.
A car hit Tom. Tom a été renversé par une voiture.
A car went by. Une voiture passa.
Ain't he cute? N'est-il pas mignon ?
Air the futon. Aère le futon !
Air the futon. Aérez le futon !
Am I dreaming? Suis-je en train de rêver ?
Am I included? Suis-je inclus ?
Am I included? Suis-je incluse ?
Am I mistaken? Est-ce que je me trompe ?
Am I talented? Suis-je doté de talent ?
Am I talented? Ai-je du talent ?
Any questions? Des questions ?
Any questions? De quelconques questions ?
Anything else? Autre chose ?
Are they busy? Sont-elles occupées ?
Are they busy? Sont-ils occupées ?
Are they cops? C'est des flics ?
Are they cops? Sont-ils flics ?
Are they cops? Sont-ils des flics ?
Are you a cop? Êtes-vous flic ?
Are you alone? Es-tu seul ?
Are you alone? Es-tu seule ?
Are you alone? Êtes-vous seul ?
Are you alone? Êtes-vous seule ?
Are you angry? Êtes-vous en colère ?
Are you angry? Tu es fâché ?
Are you awake? Es-tu réveillé?
Are you awake? Es-tu réveillée?
Are you blind? Êtes-vous aveugle ?
Are you blind? Es-tu aveugle ?
Are you bored? Vous ennuyez-vous ?
Are you bored? T'ennuies-tu ?
Are you crazy? Es-tu fou ?
Are you crazy? Tu es folle ?
Are you crazy? Es-tu folle ?
Are you happy? Êtes-vous contents ?
Are you happy? Êtes-vous heureux ?
Are you happy? Es-tu content ?
Are you happy? Êtes-vous content ?
Are you happy? Es-tu contente ?
Are you happy? Êtes-vous contente ?
Are you happy? Êtes-vous contentes ?
Are you happy? Êtes-vous heureuses ?
Are you ready? Es-tu prêt ?
Are you ready? Êtes-vous prêt ?
Are you ready? Es-tu prête ?
Are you ready? Êtes-vous prêts ?
Are you ready? Êtes-vous prêt ?
Are you ready? Êtes-vous prête ?
Are you there? T'es là ?
Are you there? Vous êtes là ?
Are you there? T’es là ?
Are you tired? Êtes-vous fatigué ?
Are you tired? Êtes-vous fatigués ?
Are you tired? Êtes-vous las ?
Are you tired? Êtes-vous lasses ?
Are you tired? Êtes-vous fatiguées ?
Are you tired? Êtes-vous fatiguée ?
Are you young? Êtes-vous jeune ?
Are you young? Es-tu jeune ?
Are you young? Êtes-vous jeunes ?
Be a good boy. Sois un chic type !
Be a good boy. Soyez un chic type !
Be a good boy. Sois un bon garçon !
Be a good boy. Soyez un bon garçon !
Be respectful. Sois respectueuse !
Be respectful. Sois respectueux !
Be respectful. Soyez respectueuse !
Be respectful. Soyez respectueux !
Be respectful. Soyez respectueuses !
Beat it, kids! Dégagez, les gamins !
Beware of dog. Attention au chien !
Bring a lunch. Apporte à déjeuner !
Bring a lunch. Apporte à dîner !
Bring it here. Apporte-le ici.
Bring it here. Apportez-le ici.
Bring the key. Apporte la clé.
Bring the key. Emmène la clé.
Call a doctor. Appelle un médecin !
Call security! Appelez la sécurité !
Call security! Appelle la sécurité !
Call the cops. Appelle les flics !
Call the cops. Appellez les flics !
Can I ask who? Puis-je demander qui ?
Can I ask why? Puis-je demander pourquoi ?
Can I come in? Puis-je entrer ?
Can I come in? Puis-je entrer ?
Can he see me? Est-il en mesure de me voir ?
Can he see me? Peut-il me voir ?
Can he see us? Peut-il nous voir ?
Can he see us? Est-il en mesure de nous voir ?
Can you drive? Sais-tu conduire ?
Can you pitch? Sais-tu lancer ?
Can you pitch? Sais-tu donner le ton ?
Can you pitch? Savez-vous lancer ?
Can you pitch? Savez-vous donner le ton ?
Can you skate? Sais-tu patiner ?
Cats are cute. Les chats sont mignons.
Check, please. Vérifie, s'il te plaît.
Check, please. L'addition, s'il vous plait.
Check, please. J'aimerais la note, je vous prie.
Clean that up. Nettoyez ça.
Close the box. Ferme la boîte.
Close the box. Fermez la boîte.
Come right in. Entrez, je vous prie.
Cook the rice. Cuisez le riz.
Could I do it? Pourrais-je le faire ?
Could I do it? Serais-je capable de le faire ?
Could I do it? Serais-je en mesure de le faire ?
Could we walk? Pourrions-nous marcher ?
Crime is down. La criminalité est en baisse.
Crime is down. C'est la criminalité qui est en baisse.
Dance with me. Danse avec moi.
Dance with me. Dansez avec moi.
Did I ask you? Vous l'ai-je demandé ?
Did I ask you? Te l'ai-je demandé ?
Did I blow it? Est-ce que j'ai vendu la mèche ?
Did I blow it? Est-ce que je l'ai foiré ?
Did I do that? Ai-je fait cela ?
Did Tom drown? Tom s'est-il noyé ?
Did Tom fight? Tom s'est-il battu ?
Did that work? Ça a marché ?
Did that work? Est-ce que ça a marché ?
Did that work? Ça a fonctionné ?
Did you do it? L'as-tu fait ?
Did you do it? L'avez-vous fait ?
Do I know him? Je le connais ?
Do I know you? Est-ce que je te connais ?
Do I know you? Est-ce que je vous connais ?
Do I look fat? Ai-je l'air gros ?
Do I look old? Ai-je l'air vieux ?
Do I look old? Ai-je l'air vieille ?
Do cats dream? Les chats rêvent-ils ?
Do fish sleep? Les poissons dorment-ils ?
Do it at once. Fais-le immédiatement !
Do it at once. Faites-le immédiatement.
Do it quickly. Fais-le vite !
Do it quickly. Faites-le vite !
Do me a favor. Fais-moi une faveur.
Do what I say. Fais ce que je dis.
Do what I say. Faites ce que je dis.
Do you follow? Est-ce que tu suis ?
Do you follow? Est-ce que vous suivez ?
Do you get it? Tu captes ?
Do you get it? Vous captez ?
Do you get it? Tu piges ?
Do you get it? Vous pigez ?
Do you get it? Pigez-vous ?
Do you get it? Est-ce que vous captez ?
Do you get it? Est-ce que tu captes ?
Do you see me? Me vois-tu ?
Do you see me? Me voyez-vous ?
Don't be late. Ne sois pas en retard.
Don't be long. Ne sois pas long.
Don't be mean. Ne sois pas mesquin !
Don't be mean. Ne sois pas mesquine !
Don't be mean. Ne soyez pas mesquin !
Don't be mean. Ne soyez pas mesquine !
Don't be rude. Ne sois pas impoli !
Don't be rude. Ne sois pas impolie !
Don't be rude. Ne soyez pas impoli !
Don't be rude. Ne soyez pas impolie !
Don't call me. Ne m'appelle pas.
Don't deny it. Ne le nie pas !
Don't deny it. Ne le niez pas !
Don't despair. Ne désespérez pas !
Don't despair. Ne désespère pas !
Don't do that. Ne fais pas ça.
Don't do that. Ne faites pas ça.
Don't do this. Ne fais pas ça !
Don't do this. Ne faites pas ça !
Don't get fat. Ne deviens pas gras.
Don't get fat. Ne grossis pas.
Don't give up! N'abandonne pas !
Don't give up. N'abandonne pas.
Don't give up. N'abandonnez pas.
Don't give up. Ne laisse pas tomber.
Don't give up. Ne laissez pas tomber.
Don't hurt me. Ne me fais pas de mal !
Don't kill me. Ne me tue pas !
Don't kill me. Ne me tuez pas !
Don't mock me. Ne te moque pas de moi.
Don't push it. Ne pousse pas le bouchon !
Don't push it. Ne le pousse pas !
Don't push it. Ne poussez pas le bouchon !
Don't push it. Pousse pas le bouchon !
Don't push it. Poussez pas le bouchon !
Don't push me! Ne me pousse pas !
Don't push me! Ne me poussez pas !
Don't push me. Ne me pousse pas !
Don't push me. Ne me poussez pas !
Don't sass me. Ne sois pas impertinent à mon égard.
Don't tell me. Ne me le dis pas.
Don't tell me. M'en parle pas.
Don't wait up. Ne veille pas.
Don't wait up. Ne veillez pas.
Draw a circle. Trace un cercle.
Draw a circle. Trace un cercle !
Draw a circle. Tracez un cercle !
Drink it down. Bois-le !
Drink it down. Buvez-le !
Drop your gun! Laisse tomber ton arme !
Drop your gun! Laissez tomber votre arme !
Dry your eyes. Sèche tes larmes.
Dry your eyes. Essuie tes yeux.
Eat and drink. Mangez et buvez.
Eat and drink. Mange et bois.
Eat something. Mange quelque chose !
Eat something. Mangez quelque chose !
Everyone dies. Tout le monde meurt.
Everyone wins. Tout le monde y gagne.
Feed the bird! Nourris l'oiseau !
Feed the bird! Nourris l'oiseau !
Get a haircut. Va te faire couper les cheveux !
Get back here. Reviens ici !
Get back here. Revenez ici !
Get off of me. Lâche-moi.
Get some rest. Prenez quelque repos !
Get your coat. Prends ton manteau.
Get your gear. Va chercher ton matériel !
Get your gear. Allez chercher votre matériel !
Get your gear. Va chercher ta tenue !
Get your gear. Allez chercher votre tenue !
Get your gear. Va chercher tes affaires !
Get your gear. Allez chercher vos affaires !
Give him time. Donne-lui du temps.
Give it to me! Donne-le-moi !
Give it to me. Donnez-le-moi.
Give it to me. Donne-le-moi.
Give it to me. Donne-la-moi.
Give it to me. Donnez-la-moi.
Give me a few. Donne-m'en quelques-uns.
Give me a hug. Serre-moi dans tes bras !
Give me a hug. Serrez-moi dans vos bras !
God bless you! Que Dieu te bénisse !
God bless you! Dieu vous bénisse !
God bless you! Dieu te bénisse !
God bless you! Que Dieu vous bénisse !
God knows why. Dieu sait pourquoi.
Guess who won. Devine qui a gagné.
Guess who won. Devinez qui a gagné.
Hand it to me. Passe-le-moi.
Hang on tight! Accroche-toi bien !
Hang on tight! Accrochez-vous bien !
Hang on tight. Accroche-toi bien !
Hang on tight. Accrochez-vous bien !
Have a cookie. Prends un biscuit !
Have him come. Fais-le venir.
Have some ham. Prends du jambon.
Have some ham. Prenez du jambon.
He broke them. Il les a cassés.
He broke them. Il les a cassées.
He can't sing. Il est incapable de chanter.
He can't sing. Il ne sait pas chanter.
He can't swim. Il ne sait pas nager.
He cheated me. Il m'a trompé.
He cracked up. Il a pété les plombs.
He cracked up. Il a disjoncté.
He drank beer. Il but de la bière.
He drank beer. Il a bu de la bière.
He dropped it. Il laissa tomber.
He dug a hole. Il a creusé un trou.
He eats a lot. Il mange beaucoup.
He feels hurt. Il se sent blessé.
He fooled her. Il la dupa.
He got caught. Il se fit prendre.
He got caught. Il s'est fait prendre.
He has a book. Il a un livre.
He has a book. Il dispose d'un livre.
He has a cold. Il a attrapé froid.
He has a maid. Il a une femme de ménage.
He has a maid. Il a une servante.
He has braces. Il porte des bagues dentaires.
He has braces. Il porte des bretelles.
He hugged her. Il l'enlaça.
He hugged her. Il l'a enlacée.
He ignored me. Il m'a ignoré.
He ignored me. Il m'ignora.
He ignored me. Il m'a ignorée.
He is British. Il est Britannique.
He is English. Il est Anglais.
He is a thief. C'est un voleur.
He is foolish. Il est idiot.
He is my boss. C'est mon patron.
He is my type! Il est mon genre !
He is no fool. Il n'est pas idiot.
He is no fool. Il n'est pas fou.
He is out now. Il est actuellement sorti.
He is reading. Il lit.
He is reading. Il est en train de lire.
He is running. Il court.
He is skating. Il fait du patin.
He is skating. Il patine.
He is too old. Il est trop vieux.
He killed him. Il le tua.
He killed him. Il l'a tué.
He left early. Il est parti tôt.
He left early. Il partit tôt.
He lied to me. Il m'a menti.
He lied to me. Il me mentit.
He liked that. Il aima cela.
He liked that. Il apprécia cela.
He liked that. Il a aimé ça.
He liked that. Il a apprécié cela.
He liked that. Il l'a apprécié.
He looks pale. Il a l'air pâle.
He looks well. Il a l'air en bonne santé.
He loves toys. Il adore les jouets.
He made me go. Il m'a fait partir.
He never lies. Il ne ment jamais.
He pinched me! Il m'a pincé !
He pinched me! Il m'a pincée !
He seems kind. Il a l'air gentil.
He sells cars. Il vend des voitures.
He shot at me. Il me tira dessus.
He smells bad. Il pue.
He talks well. Il parle bien.
He touched me. Il m'a touché.
He touched me. Il m'a ému.
He touched me. Il m'a émue.
He touched me. Il m'a touchée.
He tricked me. Il m'a floué.
He tricked me. Il m'a flouée.
He tricked me. Il m'a arnaqué.
He tricked me. Il m'a arnaquée.
He tricked me. Il m'a eu.
He tricked me. Il m'a eue.
He tries hard. Il s'efforce.
He walks fast. Il marche vite.
He walks fast. Il marche rapidement.
He wants more. Il en veut davantage.
He was crying. Il pleurait.
He was stoned. Il fut lapidé.
He was stoned. Il a été lapidé.
He went blind. Il est devenu aveugle.
He's a grouch. C'est un rouspéteur.
He's a jesuit. Il est jésuite.
He's a senior. C'est un aîné.
He's a senior. C'est un ancien.
He's a senior. C'est un retraité.
He's a tycoon. C'est un magnat.
He's addicted. Il est accro.
He's addicted. Il a une assuétude.
He's addicted. Il est drogué.
He's adorable. Il est adorable.
He's after me. Il est derrière moi.
He's after me. Il est après moi.
He's after me. Il est après mes fesses.
He's after me. Il me poursuit.
He's annoying. Il est embêtant.
He's demented. Il est fou.
He's in Tokyo. Il est à Tokyo.
He's innocent. Il est innocent.
He's innocent. Il est ingénu.
He's insecure. Il est peu sûr de lui.
He's insecure. Il manque de confiance en lui.
He's no saint. Il n'est pas un saint.
He's no saint. Ce n'est pas un saint.
He's not home. Il n'est pas à la maison.
He's not sick. Il n'est pas malade.
He's outraged. Il est indigné.
He's ruthless. Il est impitoyable.
He's ruthless. Il est sans pitié.
He's so young. Il est si jeune.
He's so young. Il est tellement jeune.
He's studying. Il étudie.
He's studying. Il est en train d'étudier.
He's too busy. Il est trop occupé.
He's too slow. Il est trop lent.
He's very ill. Il est très malade.
He's very ill. Il est fort malade.
He's your son. Il est ton fils.
He's your son. C'est ton fils.
He's your son. C'est votre fils.
He's your son. Il est votre fils.
Help yourself. Servez-vous.
Help yourself. Sers-toi.
Here he comes. Le voilà.
Here he comes. Le voici qui vient.
Here he comes. Le voici.
Here or to go? Sur place ou à emporter ?
His nose bled. Il saignait du nez.
His nose bled. Il avait le nez qui saignait.
Hold the door. Retiens la porte !
Hold the door. Retenez la porte !
Hold the rope. Tenez la corde.
How about you? Et vous ?
How beautiful! Comme c'est beau !
How big is he? Il est grand comment ?
How big is it? C'est grand comment ?
How can I pay? Comment puis-je payer?
How can it be? Comment se peut-il ?
How can it be? Comment cela se peut-il ?
How do I look? De quoi ai-je l'air ?
How old is he? Quel âge a-t-il ?
How thrilling! Comme c'est excitant !
How thrilling! Comme c'est palpitant !
How's the dog? Comment va le chien ?
I already ate. J'ai déjà mangé.
I always lose. Je perds toujours.
I always walk. Je vais toujours à pied.
I always walk. Je marche toujours.
I am American. Je suis américain.
I am American. Je suis américaine.
I am Japanese. Je suis Japonais.
I am a Muslim. Je suis musulman.
I am a Muslim. Je suis musulmane.
I am a Muslim. Je suis Musulman.
I am a runner. Je suis un coureur.
I am all ears. Je suis tout ouïe.
I am diabetic. Je suis diabétique.
I am divorced. Je suis divorcé.
I am divorced. Je suis divorcée.
I am in Paris. Je suis à Paris.
I am new here. Je suis nouveau ici.
I am new here. Je suis nouveau, ici.
I am not deaf. Je ne suis pas sourd.
I am so sorry. Je suis tellement désolé !
I am so sorry. Je suis tellement désolée !
I am very sad. Je suis très triste.
I ate quickly. J'ai mangé rapidement.
I became rich. Je suis devenu riche.
I became rich. Je suis devenue riche.
I became rich. Je devins riche.
I believe you. Je te crois.
I believe you. Je vous crois.
I belong here. C'est ici qu'est ma place.
I borrowed it. Je l'ai emprunté.
I borrowed it. Je l'ai empruntée.
I bribed them. Je les ai soudoyés.
I bribed them. Je les ai soudoyées.
I burned them. Je l'ai brûlé.
I called home. J'ai appelé chez moi.
I called home. J'ai appelé la maison.
I called them. Je les ai appelés.
I called them. Je les ai appelées.
I can buy one. Je peux en acheter un.
I can buy one. Je peux en acheter une.
I can buy one. Je peux en acquérir un.
I can buy one. Je peux en acquérir une.
I can do this. Je peux le faire !
I can explain. Je peux expliquer.
I can feel it. J'arrive à le sentir.
I can feel it. J'arrive à le ressentir.
I can feel it. Je parviens à le ressentir.
I can survive. Je peux survivre.
I can't dance. Je ne sais pas danser.
I can't do it. Je n'y arrive pas.
I can't do it. Je n'y parviens pas.
I can't leave. Je ne peux pas partir.
I can't sleep. Je ne peux pas dormir.
I can't smoke. Je ne peux pas fumer.
I canceled it. Je l'ai annulé.
I canceled it. Je l'ai annulée.
I caused this. J'ai causé ceci.
I caused this. Je l'ai causé.
I contributed. J'y ai contribué.
I contributed. Moi j'ai contribué.
I cried a lot. J'ai beaucoup pleuré.
I deserved it. Je l'ai mérité.
I designed it. Je l'ai conçu.
I designed it. Je l'ai conçue.
I despise Tom. Je méprise Tom.
I despise you. Je te méprise.
I despise you. Je vous méprise.
I did it once. Je l'ai fait une fois.
I did my best. J'ai fait de mon mieux.
I did my best. Je fis de mon mieux.
I did my part. J'ai fait ma part.
I did nothing. Je n'ai rien fait.
I did nothing. Moi je n'ai rien fait.
I did see him. Je l'ai vu.
I didn't call. Je n'ai pas appelé.
I didn't care. J'ai pas fait gaffe.
I didn't care. Je n'ai pas fait attention.
I didn't care. Je n'ai pas prêté attention.
I didn't know. Je ne savais pas.
I didn't look. Je n'ai pas regardé.
I didn't move. Je n'ai pas bougé.
I didn't stop. Je n'ai pas arrêté.
I didn't stop. Je n'ai pas cessé.
I didn't vote. Je n'ai pas voté.
I didn't walk. Je n'ai pas marché.
I do like you. Je vous apprécie vraiment.
I do like you. Je t'apprécie vraiment.
I do love you. Je t'aime !
I do remember. Je me rappelle, en effet.
I do remember. Je me souviens, en effet.
I don't agree. Je ne suis pas d'accord.
I don't dance. Je ne danse pas.
I don't drink. Je m'abstiens de boire.
I don't drink. Je ne bois pas.
I don't smoke. Je ne fume pas.
I don't snore. Je ne ronfle pas.
I don't steal. Je ne vole pas.
I dream a lot. Je rêve beaucoup.
I enjoy chess. J'apprécie les échecs.
I enjoy music. J'apprécie la musique.
I enjoy poker. J'ai plaisir à jouer au poker.
I exaggerated. J'ai exagéré.
I fear no one. Je ne crains personne.
I fed the dog. J'ai nourri le chien.
I fed the dog. J'ai nourri la chienne.
I fed the dog. Je nourris le chien.
I fed the dog. Je nourris la chienne.
I fed the dog. J'ai donné à manger à la chienne.
I feel better. Je me sens mieux.
I feel guilty. Je me sens coupable.
I feel hungry. J'ai faim !
I feel it now. Je le sens, maintenant.
I feel lonely. Je me sens seul.
I feel lonely. Je me sens seule.
I feel my age. Je sens le poids des ans.
I feel my age. Mon âge me pèse.
I feel normal. Je me sens normal.
I feel normal. Je me sens normale.
I feel queasy. J'ai mal au cœur.
I feel queasy. Je me sens mal à l'aise.
I feel so bad. Je me sens tellement mal.
I feel stupid. Je me sens stupide.
I feel unwell. Je ne me sens pas bien.
I fell asleep. Je me suis endormie.
I fell for it. Je me suis fait avoir.
I fell for it. Je me suis fait prendre.
I felt guilty. Je me sentis coupable.
I felt guilty. Je me suis sentie coupable.
I felt guilty. Je me suis senti coupable.
I felt lonely. Je me sentais seul.
I felt reborn. Je me suis senti renaître.
I felt reborn. Je me suis sentie renaître.
I felt scared. Je me sentis apeuré.
I felt scared. Je me sentis apeurée.
I felt scared. Je me suis sentis apeuré.
I felt scared. Je me suis sentis apeurée.
I felt strong. Je me suis senti fort.
I felt strong. Je me suis sentie forte.
I finally won. J'ai fini par gagner.
I finally won. J'ai fini par l'emporter.
I finished it. Je l'ai terminé.
I forbid that. J'interdis cela.
I forgive you. Je te pardonne.
I fought back. J'ai rendu les coups.
I found a job. J'ai trouvé un boulot.
I found these. J'ai trouvé ceux-ci.
I found these. J'ai trouvé celles-ci.
I freaked out. J'ai eu les foies.
I freaked out. J'ai flippé.
I freaked out. J'ai eu la trouille.
I freaked out. J'ai eu la pétoche.
I got a bonus. J'ai obtenu une prime.
I got it free. Je l'ai eu gratuitement.
I got married. Je me suis marié.
I got nothing. Je n'ai rien.
I got scammed. J'ai été arnaqué.
I got scammed. J'ai été arnaquée.
I got thirsty. Je me suis mis à avoir soif.
I got thirsty. Je me suis mise à avoir soif.
I had an idea. J'ai eu une idée.
I had no clue. Je n'en avais aucune idée.
I had no clue. Je n'en avais pas la moindre idée.
I had no idea. Je n'avais pas idée.
I had no idea. Je n'avais aucune idée.
I had no idea. Je n'en avais aucune idée.
I had to stay. Il me fallait rester.
I had to stop. Il fallait que j'arrête.
I had to stop. Il me fallait arrêter.
I had to stop. Il me fallait cesser.
I had to stop. Il fallait que je cesse.
I had to stop. Il me fallut arrêter.
I had to stop. Il me fallut cesser.
I had to work. J'ai dû travailler.
I had to work. Il m'a fallu travailler.
I hate coffee. Je déteste le café.
I hate crowds. J'ai horreur des foules.
I hate flying. Je déteste voler.
I hate losing. Je déteste perdre.
I hate losing. Je déteste avoir le dessous.
I hate moving. J'ai horreur de déménager.
I hate myself. Je me déteste.
I hate school. Je déteste l'école.
I hate soccer. Je déteste le football.
I hate winter. Je déteste l'hiver.
I have a cold. J'ai un rhume.
I have a cold. Je suis enrhumé.
I have a date. J'ai un rencard.
I have a date. J'ai un rendez-vous galant.
I have a visa. Je dispose d'un visa.
I have a wife. J'ai une femme.
I have cancer. J'ai un cancer.
I have doubts. J'ai des doutes.
I have failed. J'ai échoué.
I have had it. J'en ai ma claque.
I have orders. J'ai des ordres.
I have rights. J'ai des droits.
I have rights. Je dispose de droits.
I have tenure. Je suis titulaire.
I have to run. Il me faut courir.
I have to run. Je dois courir.
I have to try. Il me faut essayer.
I have to try. Il faut que j'essaie.
I have to win. Il faut que je gagne.
I have to win. Il faut que je l'emporte.
I ignored him. Je l'ai ignoré.
I ignored him. Je l'ignorai.
I just did it. Je viens de le faire.
I just got up. Je viens de me lever.
I just smiled. J'ai simplement souri.
I kid you not. Je ne te raconte pas de craques.
I kid you not. Je ne vous raconte pas de craques.
I know French. Je sais le français.
I know myself. Je me connais.
I know people. Je connais des gens.
I know things. Je sais des choses.
I let them go. Je les ai laissés partir.
I let them go. Je les ai laissées partir.
I let them go. Je les ai laissés s'en aller.
I let them go. Je les ai laissées s'en aller.
I let them go. Je les ai laissés y aller.
I let them go. Je les ai laissées y aller.
I like French. J'aime le français.
I like camels. J’aime les chameaux.
I like cities. J'aime les villes.
I like clocks. J'aime les montres.
I like movies. J'aime le cinéma.
I like my job. J'aime mon travail.
I like skiing. J'aime le ski.
I like spring. J'aime le printemps.
I like sweets. J'aime les sucreries.
I like to run. J'aime courir.
I like to run. J'aime faire du jogging.
I like trains. J'aime les trains.
I like winter. J'aime l'hiver.
I like yellow. J'aime le jaune.
I live nearby. Je vis à proximité.
I live nearby. Je vis dans le coin.
I looked away. J'ai regardé ailleurs.
I looked down. Je baissai les yeux.
I looked down. J'ai baissé les yeux.
I lost my dog. J'ai perdu mon chien.
I lost my dog. Je perdis mon chien.
I lost my key. Je perdis la clé.
I lost my key. Je perdis la clef.
I lost my key. J'ai perdu ma clef.
I love Arabic. J'adore l'arabe.
I love Boston. J'adore Boston.
I love French. J'adore le français.
I love Monday! J'aime le lundi !
I love apples. J'adore les pommes.
I love autumn. J'adore l'automne.
I love baking. J'adore cuisiner.
I love camels. J'adore les chameaux.
I love coffee. J'adore le café.
I love hiking. J'adore la marche.
I love hiking. J'adore les excursions.
I love horses. J'adore les chevaux.
I love movies. J'adore le cinéma.
I love my job. J'adore mon boulot.
I love myself. Je m'aime.
I love nature. J'adore la nature.
I love poetry. J'adore la poésie.
I love spring. J'adore le printemps.
I love summer. J'adore l'été.
I love winter. J'adore l'hiver.
I made a deal. J'ai conclu un accord.
I made a deal. J'ai conclu un contrat.
I made a deal. J'ai conclu une affaire.
I made a list. Je fis une liste.
I made a list. J'ai fait une liste.
I made a list. J'ai dressé une liste.
I made a list. Je dressai une liste.
I made coffee. J'ai préparé du café.
I made dinner. J'ai préparé à déjeuner.
I made dinner. J'ai préparé le déjeuner.
I made dinner. J'ai préparé à dîner.
I made dinner. J'ai préparé le dîner.
I made him go. Je l'ai fait partir.
I miss my cat. Mon chat me manque.
I miss my cat. Ma chatte me manque.
I miss my mom. Ma maman me manque.
I must fix it. Je dois le réparer.
I must go now. Je dois partir maintenant.
I must go out. Je dois sortir.
I must insist. Il me faut insister.
I must insist. Je dois insister.
I must object. Il me faut émettre une objection.
I must object. Il me faut formuler une objection.
I must object. Je dois formuler une objection.
I must object. Je dois émettre une objection.
I must refuse. Il me faut refuser.
I must refuse. Je dois refuser.
I must resist. Il me faut résister.
I nearly died. Je suis presque mort.
I need a crew. Il me faut un équipage.
I need advice. J'ai besoin de conseils.
I needed help. Il me fallut de l'aide.
I needed help. J'ai eu besoin d'aide.
I needed help. Il m'a fallu de l'aide.
I never drink. Je ne bois jamais.
I never worry. Je ne me fais jamais de souci.
I ought to go. Il me faut y aller.
I ought to go. Il me faut partir.
I outrank you. Je te dépasse.
I outrank you. Je vous dépasse.
I outrank you. Je passe avant toi.
I outrank you. Je passe avant vous.
I outrank you. J'ai la préséance sur toi.
I outrank you. J'ai la préséance sur vous.
I outrank you. J'ai la priorité sur toi.
I outrank you. J'ai la priorité sur vous.
I owe you one. Je t'en dois une.
I own a horse. Je possède un cheval.
I own a yacht. Je possède un bateau de plaisance.
I prefer dogs. Je préfère les chiens.
I quit my job. J'ai quitté mon boulot.
I quit my job. J'ai démissionné de mon boulot.
I quite agree. Je suis tout à fait d'accord.
I ran outside. Je courus dehors.
I ran outside. J'ai couru à l'extérieur.
I ran outside. Quant à moi, je courus dehors.
I ran outside. Quant à moi, je courus au dehors.
I remember it. Je m'en souviens.
I remember it. Je me le rappelle.
I rescheduled. J'ai remis.
I rescheduled. J'ai décalé.
I rescued her. Je l'ai sauvée.
I rescued him. Je l'ai sauvé.
I rescued you. Je t'ai sauvé.
I rescued you. Je t'ai sauvée.
I rescued you. Je vous ai sauvé.
I rescued you. Je vous ai sauvée.
I rescued you. Je vous ai sauvées.
I rescued you. Je vous ai sauvés.
I resent that. Ça me déplaît.
I respect you. Je vous respecte.
I respect you. Je te respecte.
I said thanks. J'ai dit merci.
I saw nothing. Je n'ai rien vu.
I saw nothing. Je ne vis rien.
I saw someone. Je vis quelqu'un.
I saw someone. J'ai vu quelqu'un.
I see a light. Je vois une lumière.
I see a queen. Je vois une reine.
I see the boy. Je vois le garçon.
I should quit. Je devrais abandonner.
I slapped him. Je l'ai giflé.
I slept a lot. J'ai beaucoup dormi.
I smell bacon. Il doit y avoir des poulets dans le coin.
I smell blood. Je flaire le sang.
I support him. Je le soutiens.
I think I can. Je pense pouvoir.
I told you so. Je te l'avais dit !
I told you so. Je vous l'avais dit !
I told you so. Je te l'ai dit !
I told you so. Je vous l'ai dit !
I took a bath. Je pris un bain.
I took a bath. J'ai pris un bain.
I tricked you. Je t’ai eu.
I tricked you. Je t’ai eue.
I tried again. J'ai à nouveau essayé.
I trusted you. Je t'ai fait confiance.
I trusted you. Je te fis confiance.
I use Firefox. J'utilise Firefox.
I volunteered. Je me suis porté volontaire.
I volunteered. Je me suis portée volontaire.
I walked here. J'ai marché jusqu'ici.
I want a book. Je veux un livre.
I want a pool. Je veux une piscine.
I want it all. Je veux tout.
I want to cry. J'ai envie de pleurer.
I want to die. Je veux mourir.
I want to run. Je veux courir.
I want to try. Je veux essayer.
I wanted this. Je voulais ceci.
I was ashamed. J'avais honte.
I was at home. J'étais à la maison.
I was at home. J'étais chez moi.
I was at home. J'étais à l'appartement.
I was at work. J'étais au travail.
I was careful. J'étais prudente.
I was careful. J'ai été prudent.
I was careful. J'ai été prudente.
I was curious. J'étais curieuse.
I was curious. J'étais curieux.
I was dancing. J'étais en train de danser.
I was drugged. J'ai été drogué.
I was drugged. J'ai été droguée.
I was furious. J'étais furieux.
I was invited. J'ai été invité.
I was invited. J'ai été invitée.
I was kidding. Je blaguais.
I was pleased. J'ai été content.
I was pleased. J'ai été contente.
I was relaxed. J'étais détendu.
I was relaxed. J'étais détendue.
I was singing. J'étais en train de chanter.
I was stunned. J'étais scié.
I was stunned. J'étais sciée.
I was tempted. J'ai été tenté.
I was tempted. J'ai été tentée.
I was too shy. J'étais trop timide.
I was trapped. J'ai été piégé.
I was trapped. J'ai été piégée.
I was unarmed. J'étais sans arme.
I was worried. J'étais inquiète.
I wasn't done. Je n'en avais pas terminé.
I wasn't home. Je n'étais pas chez moi.
I wasn't home. Je ne me trouvais pas à mon domicile.
I went aboard. Je suis montée à bord.
I went aboard. Je suis monté à bord.
I went hiking. Je suis parti en excursion.
I went hiking. Je suis partie en excursion.
I went inside. Je suis entré.
I went inside. J'y suis entré.
I went inside. J'y ai pénétré.
I will behave. Je me tiendrai bien.
I will return. Je reviendrai.
I woke you up. Je t'ai réveillé.
I woke you up. Je vous ai réveillée.
I woke you up. Je vous ai réveillées.
I woke you up. Je vous ai réveillés.
I woke you up. Je vous ai réveillé.
I woke you up. Je t'ai réveillée.
I work nights. Je travaille de nuit.
I worked hard. Je travaillais dur.
I write poems. J'écris des poèmes.
I'd better go. Je ferais mieux d'y aller.
I'll allow it. Je le permettrai.
I'll be brief. Je serai brève.
I'll be brief. Je serai bref.
I'll be going. J'irai.
I'll be ready. Je serai prêt.
I'll be ready. Je serai prête.
I'll be there. J'y serai.
I'll buy that. J'achèterai ça.
I'll buy this. Je vais acheter celui-ci.
I'll call him. Je vais l'appeler au téléphone.
I'll call him. Je l'appellerai.
I'll call you. Je vous appellerai.
I'll eat here. Je mangerai ici.
I'll find you. Je te trouverai.
I'll get help. J'obtiendrai de l'aide.
I'll get lost. Je me perdrai.
I'll get some. J'irai en chercher.
I'll get them. J'irai les chercher.
I'll get this. Je vais prendre ceci.
I'll go ahead. J'irai en avant.
I'll go ahead. Je continuerai.
I'll go check. J'irai vérifier.
I'll go first. J'irai en premier.
I'll go first. Je vais y aller en premier.
I'll go first. Je passerai en premier.
I'll help you. Je t'aiderai.
I'll help you. Je vous aiderai.
I'll join you. Je me joindrai à toi.
I'll join you. Je me joindrai à vous.
I'll kill him. Je le tuerai.
I'll kill you. Je vais te tuer.
I'll miss you. Tu vas me manquer.
I'll prove it. Je le prouverai.
I'll save you. Je te sauverai.
I'll save you. Je vous sauverai.
I'll show you. Je te montrerai.
I'll stop now. Je vais arrêter maintenant.
I'll take him. Je le prends.
I'll take one. J'en prendrai un.
I'll take one. J'en prendrai une.
I'll tell you. Je te dirai.
I'll tell you. Je vous dirai.
I'll try that. J'essayerai ça.
I'll try that. Je tenterai ça.
I'll warn Tom. Je préviendrai Tom.
I'll watch it. Je le regarderai.
I'm a patient. Je suis un patient.
I'm a patient. Je suis une patiente.
I'm a student. Je suis étudiant.
I'm a teacher. Je suis professeur.
I'm a teacher. Je suis enseignante.
I'm adaptable. Je m'adapte.
I'm afraid so. J'en ai peur.
I'm all alone. Je suis tout seul.
I'm all right. Je vais bien.
I'm all yours. Je suis tout à toi.
I'm all yours. Je suis tout à vous.
I'm all yours. Je suis toute à toi.
I'm all yours. Je suis toute à vous.
I'm ambitious. Je suis ambitieuse.
I'm ambitious. Je suis ambitieux.
I'm an artist. Je suis un artiste.
I'm an artist. Je suis une artiste.
I'm an orphan. Je suis orphelin.
I'm attentive. Je suis attentive.
I'm attentive. Je suis attentif.
I'm available. Je suis disponible.
I'm beautiful. Je suis belle.
I'm beautiful. Je suis beau.
I'm busy, too. Je suis également affairé.
I'm busy, too. Je suis également affairée.
I'm busy, too. Je suis également occupé.
I'm busy, too. Je suis également occupée.
I'm concerned. Je suis préoccupé.
I'm concerned. Je suis préoccupée.
I'm confident. J'ai confiance.
I'm contented. Me voilà satisfait.
I'm contented. Me voilà satisfaite.
I'm convinced.
gitextract_2zywp_a9/ ├── .github/ │ └── FUNDING.yml ├── NN/ │ ├── CNN/ │ │ └── cnn.md │ ├── DNN/ │ │ ├── DNN_IMDB.py │ │ ├── IMDB.md │ │ └── dnn.md │ ├── RNN/ │ │ ├── LSTM/ │ │ │ ├── lstm_embedding.py │ │ │ ├── 文本分类_lstm_subword.py │ │ │ └── 文本生成.py │ │ ├── eng-fra.txt │ │ ├── rnn.md │ │ ├── rnn.py │ │ ├── seq2seq.md │ │ └── 单向rnn、双向rnn_embedding.py │ ├── activation.md │ ├── bp.md │ └── problems.md ├── README.md ├── data_process/ │ ├── normalization.md │ └── numpy.md ├── loss/ │ └── loss_.md ├── models/ │ └── Regression/ │ ├── 04_training_linear_models.ipynb │ └── LinearRegression.ipynb ├── nlp/ │ ├── code/ │ │ ├── modeling.py │ │ ├── run_classifier.py │ │ ├── run_squad.py │ │ └── tokenization.py │ ├── embedded.md │ ├── fast.md │ ├── load_data.md │ ├── models/ │ │ ├── bert.md │ │ ├── functions.py │ │ ├── transformer.md │ │ ├── transformer_.md │ │ └── transformer_translate.md │ ├── practice/ │ │ └── sentiment.md │ ├── preprocess.md │ └── tasks/ │ ├── text.md │ └── understand.md ├── optimization/ │ └── GD.md └── problems.md
SYMBOL INDEX (197 symbols across 11 files)
FILE: NN/DNN/DNN_IMDB.py
function plot_ (line 105) | def plot_(history,label):
FILE: NN/RNN/LSTM/lstm_embedding.py
function decode_review (line 45) | def decode_review(text_ids):
function plot_learning_curves (line 91) | def plot_learning_curves(history,label,epochs,min_value,max_value):
FILE: NN/RNN/LSTM/文本分类_lstm_subword.py
function plot_learning_curves (line 125) | def plot_learning_curves(history,label,epochs,min_value,max_value):
FILE: NN/RNN/LSTM/文本生成.py
function split_input_target (line 73) | def split_input_target(id_text):
function build_model (line 124) | def build_model(vocab_size,embedding_dim,rnn_units,batch_size):
function loss (line 168) | def loss(labels,logits):
function generate_text (line 208) | def generate_text(model,start_string,num_generate=1000):
FILE: NN/RNN/rnn.py
class Lang (line 18) | class Lang:
method __init__ (line 19) | def __init__(self,name):
method addSentence (line 29) | def addSentence(self,sentence):
method addWord (line 35) | def addWord(self,word):
function unicodeToAscii (line 46) | def unicodeToAscii(s):
function normalizeString (line 55) | def normalizeString(s):
function readLangs (line 64) | def readLangs(lang1,lang2,reverse=False):
function filterPair (line 100) | def filterPair(p):
function filterPairs (line 107) | def filterPairs(pairs):
function prepareData (line 110) | def prepareData(lang1, lang2, reverse=False):
class EncoderRNN (line 128) | class EncoderRNN(nn.Module):
method __init__ (line 129) | def __init__(self, input_size, hidden_size):
method forward (line 140) | def forward(self, input, hidden):
method initHidden (line 149) | def initHidden(self):
class DecoderRNN (line 154) | class DecoderRNN(nn.Module):
method __init__ (line 155) | def __init__(self, hidden_size, output_size):
method forward (line 167) | def forward(self, input, hidden):
method initHidden (line 177) | def initHidden(self):
class AttnDecoderRNN (line 180) | class AttnDecoderRNN(nn.Module):
method __init__ (line 181) | def __init__(self, hidden_size, output_size, dropout_p=0.1, max_length...
method forward (line 200) | def forward(self, input, hidden, encoder_outputs):
method initHidden (line 227) | def initHidden(self):
function indexesFromSentence (line 230) | def indexesFromSentence(lang, sentence):
function tensorFromSentence (line 233) | def tensorFromSentence(lang, sentence):
function tensorsFromPair (line 238) | def tensorsFromPair(pair):
function train (line 246) | def train(input_tensor,target_tensor,encoder,decoder,encoder_optimizer,d...
function asMinutes (line 315) | def asMinutes(s):
function timeSince (line 321) | def timeSince(since, percent):
function trainIters (line 328) | def trainIters(encoder,decoder,n_iters,print_every=1000,plot_every=100,l...
function showPlot (line 374) | def showPlot(points):
function evaluate (line 382) | def evaluate(encoder, decoder, sentence, max_length=MAX_LENGTH):
function evaluateRandomly (line 417) | def evaluateRandomly(encoder, decoder, n=10):
function showAttention (line 438) | def showAttention(input_sentence, output_words, attentions):
function evaluateAndShowAttention (line 458) | def evaluateAndShowAttention(input_sentence):
FILE: NN/RNN/单向rnn、双向rnn_embedding.py
function decode_review (line 45) | def decode_review(text_ids):
function plot_learning_curves (line 90) | def plot_learning_curves(history,label,epochs,min_value,max_value):
FILE: nlp/code/modeling.py
class BertConfig (line 31) | class BertConfig(object):
method __init__ (line 34) | def __init__(self,
method from_dict (line 83) | def from_dict(cls, json_object):
method from_json_file (line 91) | def from_json_file(cls, json_file):
method to_dict (line 97) | def to_dict(self):
method to_json_string (line 102) | def to_json_string(self):
class BertModel (line 107) | class BertModel(object):
method __init__ (line 131) | def __init__(self,
method get_pooled_output (line 248) | def get_pooled_output(self):
method get_sequence_output (line 251) | def get_sequence_output(self):
method get_all_encoder_layers (line 260) | def get_all_encoder_layers(self):
method get_embedding_output (line 263) | def get_embedding_output(self):
method get_embedding_table (line 274) | def get_embedding_table(self):
function gelu (line 278) | def gelu(x):
function get_activation (line 294) | def get_activation(activation_string):
function get_assignment_map_from_checkpoint (line 331) | def get_assignment_map_from_checkpoint(tvars, init_checkpoint):
function dropout (line 358) | def dropout(input_tensor, dropout_prob):
function layer_norm (line 376) | def layer_norm(input_tensor, name=None):
function layer_norm_and_dropout (line 382) | def layer_norm_and_dropout(input_tensor, dropout_prob, name=None):
function create_initializer (line 389) | def create_initializer(initializer_range=0.02):
function embedding_lookup (line 394) | def embedding_lookup(input_ids,
function embedding_postprocessor (line 450) | def embedding_postprocessor(input_tensor,
function create_attention_mask_from_input_mask (line 567) | def create_attention_mask_from_input_mask(from_tensor, to_mask):
function attention_layer (line 601) | def attention_layer(from_tensor,
function transformer_model (line 803) | def transformer_model(input_tensor,
function get_shape_list (line 950) | def get_shape_list(tensor, expected_rank=None, name=None):
function reshape_to_matrix (line 987) | def reshape_to_matrix(input_tensor):
function reshape_from_matrix (line 1001) | def reshape_from_matrix(output_tensor, orig_shape_list):
function assert_rank (line 1014) | def assert_rank(tensor, expected_rank, name=None):
FILE: nlp/code/run_classifier.py
class InputExample (line 130) | class InputExample(object):
method __init__ (line 133) | def __init__(self, guid, text_a, text_b=None, label=None):
class PaddingInputExample (line 151) | class PaddingInputExample(object):
class InputFeatures (line 164) | class InputFeatures(object):
method __init__ (line 167) | def __init__(self,
class DataProcessor (line 180) | class DataProcessor(object):
method get_train_examples (line 183) | def get_train_examples(self, data_dir):
method get_dev_examples (line 187) | def get_dev_examples(self, data_dir):
method get_test_examples (line 191) | def get_test_examples(self, data_dir):
method get_labels (line 195) | def get_labels(self):
method _read_tsv (line 200) | def _read_tsv(cls, input_file, quotechar=None):
class MyDataProcessor (line 216) | class MyDataProcessor(DataProcessor):
method get_train_examples (line 219) | def get_train_examples(self, data_dir):
method get_dev_examples (line 235) | def get_dev_examples(self, data_dir):
method get_test_examples (line 249) | def get_test_examples(self, data_dir):
method get_labels (line 265) | def get_labels(self):
method _read_tsv (line 270) | def _read_tsv(cls, input_file, quotechar=None):
class XnliProcessor (line 284) | class XnliProcessor(DataProcessor):
method __init__ (line 287) | def __init__(self):
method get_train_examples (line 290) | def get_train_examples(self, data_dir):
method get_dev_examples (line 309) | def get_dev_examples(self, data_dir):
method get_labels (line 327) | def get_labels(self):
class MnliProcessor (line 332) | class MnliProcessor(DataProcessor):
method get_train_examples (line 335) | def get_train_examples(self, data_dir):
method get_dev_examples (line 340) | def get_dev_examples(self, data_dir):
method get_test_examples (line 346) | def get_test_examples(self, data_dir):
method get_labels (line 351) | def get_labels(self):
method _create_examples (line 355) | def _create_examples(self, lines, set_type):
class MrpcProcessor (line 373) | class MrpcProcessor(DataProcessor):
method get_train_examples (line 377) | def get_train_examples(self, data_dir):
method get_dev_examples (line 382) | def get_dev_examples(self, data_dir):
method get_test_examples (line 387) | def get_test_examples(self, data_dir):
method get_labels (line 393) | def get_labels(self):
method _create_examples (line 397) | def _create_examples(self, lines, set_type):
class ColaProcessor (line 425) | class ColaProcessor(DataProcessor):
method get_train_examples (line 428) | def get_train_examples(self, data_dir):
method get_dev_examples (line 433) | def get_dev_examples(self, data_dir):
method get_test_examples (line 438) | def get_test_examples(self, data_dir):
method get_labels (line 443) | def get_labels(self):
method _create_examples (line 447) | def _create_examples(self, lines, set_type):
function convert_single_example (line 467) | def convert_single_example(ex_index, example, label_list, max_seq_length,
function file_based_convert_examples_to_features (line 591) | def file_based_convert_examples_to_features(
function file_based_input_fn_builder (line 623) | def file_based_input_fn_builder(input_file, seq_length, is_training,
function _truncate_seq_pair (line 671) | def _truncate_seq_pair(tokens_a, tokens_b, max_length):
function create_model (line 694) | def create_model(bert_config, is_training, input_ids, input_mask, segmen...
function model_fn_builder (line 747) | def model_fn_builder(bert_config, num_labels, init_checkpoint, learning_...
function input_fn_builder (line 845) | def input_fn_builder(features, seq_length, is_training, drop_remainder):
function convert_examples_to_features (line 899) | def convert_examples_to_features(examples, label_list, max_seq_length,
function main (line 915) | def main(_):
FILE: nlp/code/run_squad.py
class SquadExample (line 157) | class SquadExample(object):
method __init__ (line 164) | def __init__(self,
method __str__ (line 180) | def __str__(self):
method __repr__ (line 183) | def __repr__(self):
class InputFeatures (line 198) | class InputFeatures(object):
method __init__ (line 201) | def __init__(self,
function read_squad_examples (line 228) | def read_squad_examples(input_file, is_training):
function convert_examples_to_features (line 334) | def convert_examples_to_features(examples, tokenizer, max_seq_length,
function _improve_answer_span (line 533) | def _improve_answer_span(doc_tokens, input_start, input_end, tokenizer,
function _check_is_max_context (line 578) | def _check_is_max_context(doc_spans, cur_span_index, position):
function create_model (line 617) | def create_model(bert_config, is_training, input_ids, input_mask, segmen...
function model_fn_builder (line 657) | def model_fn_builder(bert_config, init_checkpoint, learning_rate,
function input_fn_builder (line 756) | def input_fn_builder(input_file, seq_length, is_training, drop_remainder):
function write_predictions (line 810) | def write_predictions(all_examples, all_features, all_results, n_best_size,
function get_final_text (line 1001) | def get_final_text(pred_text, orig_text, do_lower_case):
function _get_best_indexes (line 1097) | def _get_best_indexes(logits, n_best_size):
function _compute_softmax (line 1111) | def _compute_softmax(scores):
class FeatureWriter (line 1134) | class FeatureWriter(object):
method __init__ (line 1137) | def __init__(self, filename, is_training):
method process_feature (line 1143) | def process_feature(self, feature):
method close (line 1169) | def close(self):
function validate_flags_or_throw (line 1173) | def validate_flags_or_throw(bert_config):
function main (line 1202) | def main(_):
FILE: nlp/code/tokenization.py
function validate_case_matches_checkpoint (line 28) | def validate_case_matches_checkpoint(do_lower_case, init_checkpoint):
function convert_to_unicode (line 78) | def convert_to_unicode(text):
function printable_text (line 98) | def printable_text(text):
function load_vocab (line 122) | def load_vocab(vocab_file):
function convert_by_vocab (line 137) | def convert_by_vocab(vocab, items):
function convert_tokens_to_ids (line 146) | def convert_tokens_to_ids(vocab, tokens):
function convert_ids_to_tokens (line 150) | def convert_ids_to_tokens(inv_vocab, ids):
function whitespace_tokenize (line 156) | def whitespace_tokenize(text):
class FullTokenizer (line 166) | class FullTokenizer(object):
method __init__ (line 169) | def __init__(self, vocab_file, do_lower_case=True):
method tokenize (line 178) | def tokenize(self, text):
method convert_tokens_to_ids (line 186) | def convert_tokens_to_ids(self, tokens):
method convert_ids_to_tokens (line 189) | def convert_ids_to_tokens(self, ids):
class BasicTokenizer (line 193) | class BasicTokenizer(object):
method __init__ (line 196) | def __init__(self, do_lower_case=True):
method tokenize (line 204) | def tokenize(self, text):
method _run_strip_accents (line 229) | def _run_strip_accents(self, text):
method _run_split_on_punc (line 241) | def _run_split_on_punc(self, text):
method _tokenize_chinese_chars (line 262) | def _tokenize_chinese_chars(self, text):
method _is_chinese_char (line 276) | def _is_chinese_char(self, cp):
method _clean_text (line 298) | def _clean_text(self, text):
class WordpieceTokenizer (line 312) | class WordpieceTokenizer(object):
method __init__ (line 315) | def __init__(self, vocab, unk_token="[UNK]", max_input_chars_per_word=...
method tokenize (line 320) | def tokenize(self, text):
function _is_whitespace (line 374) | def _is_whitespace(char):
function _is_control (line 386) | def _is_control(char):
function _is_punctuation (line 398) | def _is_punctuation(char):
FILE: nlp/models/functions.py
function positional_encoding (line 14) | def positional_encoding(X, num_features, dropout_p=0.0, max_len=512) -> ...
function _in_projection_packed (line 43) | def _in_projection_packed(
function _scaled_dot_product_attention (line 94) | def _scaled_dot_product_attention(
function multi_head_attention_forward (line 135) | def multi_head_attention_forward(
class MultiheadAttention (line 233) | class MultiheadAttention(nn.Module):
method __init__ (line 244) | def __init__(self, embed_dim, num_heads, dropout=0., bias=True, kdim=N...
method _reset_parameters (line 276) | def _reset_parameters(self):
method forward (line 288) | def forward(self, query: Tensor, key: Tensor, value: Tensor, key_paddi...
class TransformerEncoderLayer (line 323) | class TransformerEncoderLayer(nn.Module):
method __init__ (line 340) | def __init__(self, d_model, nhead, dim_feedforward=2048, dropout=0.1, ...
method forward (line 355) | def forward(self, src: Tensor, src_mask: Optional[Tensor] = None, src_...
class TransformerDecoderLayer (line 372) | class TransformerDecoderLayer(nn.Module):
method __init__ (line 389) | def __init__(self, d_model, nhead, dim_feedforward=2048, dropout=0.1, ...
method forward (line 408) | def forward(self, tgt: Tensor, memory: Tensor, tgt_mask: Optional[Tens...
class TransformerEncoder (line 441) | class TransformerEncoder(nn.Module):
method __init__ (line 455) | def __init__(self, encoder_layer, num_layers, norm=None):
method forward (line 461) | def forward(self, src: Tensor, mask: Optional[Tensor] = None, src_key_...
class TransformerDecoder (line 477) | class TransformerDecoder(nn.Module):
method __init__ (line 491) | def __init__(self, decoder_layer, num_layers, norm=None):
method forward (line 497) | def forward(self, tgt: Tensor, memory: Tensor, tgt_mask: Optional[Tens...
class Transformer (line 519) | class Transformer(nn.Module):
method __init__ (line 540) | def __init__(self, d_model: int = 512, nhead: int = 8, num_encoder_lay...
method forward (line 568) | def forward(self, src: Tensor, tgt: Tensor, src_mask: Optional[Tensor]...
method generate_square_subsequent_mask (line 612) | def generate_square_subsequent_mask(self, sz: int) -> Tensor:
method _reset_parameters (line 618) | def _reset_parameters(self):
Copy disabled (too large)
Download .json
Condensed preview — 40 files, each showing path, character count, and a content snippet. Download the .json file for the full structured content (11,691K chars).
[
{
"path": ".github/FUNDING.yml",
"chars": 68,
"preview": "custom:[https://github.com/sherlcok314159/ML/blob/main/sponsor.jpg]\n"
},
{
"path": "NN/CNN/cnn.md",
"chars": 14460,
"preview": "### Convolutional Neural Network\r\n\r\n\r\n章节\r\n\r\n- [Filter](#filter)\r\n- [池化](#pooling)\r\n- [Demo](#demo)\r\n- [冷知识](#cold)\r\n- [参"
},
{
"path": "NN/DNN/DNN_IMDB.py",
"chars": 3078,
"preview": "import matplotlib.pyplot as plt\nimport matplotlib as mpl\nimport numpy as np\nimport pandas as pd\nimport tensorflow as tf\n"
},
{
"path": "NN/DNN/IMDB.md",
"chars": 7812,
"preview": "### Sentiment Classification in IMDB\n\n***通过DNN实现影评情感分类***\n\n章节\n\n- [包的准备](#prepare)\n- [数据下载](#download)\n- [数据预处理](#preproc"
},
{
"path": "NN/DNN/dnn.md",
"chars": 5118,
"preview": "### DNN(Deep-Learning Neural Network)\r\n\r\n接下来介绍比较常见的**全连接层网络（fully-connected feedfoward nerural network）**\r\n\r\n**名词解释**\r\n\r"
},
{
"path": "NN/RNN/LSTM/lstm_embedding.py",
"chars": 4851,
"preview": "# -*- coding: utf-8 -*-\n\"\"\"LSTM-embedding.ipynb\n\nAutomatically generated by Colaboratory.\n\nOriginal file is located at\n "
},
{
"path": "NN/RNN/LSTM/文本分类_lstm_subword.py",
"chars": 3702,
"preview": "# -*- coding: utf-8 -*-\n\"\"\"文本分类-LSTM-subword.ipynb\n\nAutomatically generated by Colaboratory.\n\nOriginal file is located a"
},
{
"path": "NN/RNN/LSTM/文本生成.py",
"chars": 6475,
"preview": "# -*- coding: utf-8 -*-\n\"\"\"文本生成.ipynb\n\nAutomatically generated by Colaboratory.\n\nOriginal file is located at\n https:/"
},
{
"path": "NN/RNN/eng-fra.txt",
"chars": 9395786,
"preview": "Go.\tVa !\nRun!\tCours !\nRun!\tCourez !\nWow!\tÇa alors !\nFire!\tAu feu !\nHelp!\tÀ l'aide !\nJump.\tSaute.\nStop!\tÇa suffit !\nStop!"
},
{
"path": "NN/RNN/rnn.md",
"chars": 8779,
"preview": "### Recurrent Neutral Network\n\n章节\n\n- [RNN概述](#summary)\n- [BPTT & RTRL](#bptt)\n- [LSTM](#lstm)\n- [GRU](#gru)\n- [梯度困区](#pr"
},
{
"path": "NN/RNN/rnn.py",
"chars": 15074,
"preview": "from __future__ import unicode_literals, print_function, division\nfrom io import open\nimport unicodedata\nimport re\nimpor"
},
{
"path": "NN/RNN/seq2seq.md",
"chars": 19608,
"preview": "### 基于Seq2Seq模型实现法语向英语的翻译\n\n\n\n**章节**\n\n- [简介](#abstract)\n- [Seq2Seq模型](#seq2seq)\n- [文本预处理](#preprocess)\n- [辅助函数](#fuzhu)\n-"
},
{
"path": "NN/RNN/单向rnn、双向rnn_embedding.py",
"chars": 4722,
"preview": "# -*- coding: utf-8 -*-\n\"\"\"单向RNN、双向RNN-embedding.ipynb\n\nAutomatically generated by Colaboratory.\n\nOriginal file is locat"
},
{
"path": "NN/activation.md",
"chars": 3860,
"preview": "### 激活函数\r\n\r\n**1.Sigmoid**\r\n\r\n\r\n\r\n图像大致长这样\r\n\r\n![](ht"
},
{
"path": "NN/bp.md",
"chars": 2809,
"preview": "### 反向传播算法（BackPropagation）\n\n首先介绍一下链式法则\n\n\n\n假如我们要"
},
{
"path": "NN/problems.md",
"chars": 4831,
"preview": "\n\n\n章节\n- [Train Problems](#train)\n - [Cha"
},
{
"path": "README.md",
"chars": 2055,
"preview": "# DL\r\n此仓库将介绍Deep Learning 所需要的基础知识以及NLP方面的模型原理到项目实操，若你有认为好的教程也可以pull上去，一起将简单易懂的知识传播出去 : )\r\n\r\n\r\n### 章节\r\n- [线上课程](#courses"
},
{
"path": "data_process/normalization.md",
"chars": 2926,
"preview": "## 数据归一化\r\n\r\n有时候data的数据分布十分不均匀，会导致训练得不到想要的结果。这也是需要对数据进行归一化的原因\r\n\r\n常见的数据归一化：**Constant Factor Normalization,Min-Max,Z-score"
},
{
"path": "data_process/numpy.md",
"chars": 9337,
"preview": "### Introduction to numpy \r\n```python\r\nimport numpy as np\r\n```\r\n***\r\n*1.创建数组*\r\n```python\r\n#维数与中括号对数有关\r\nprint(np.array([1"
},
{
"path": "loss/loss_.md",
"chars": 908,
"preview": "### Loss Function\r\n\r\n机器学习中，我们通过最小化**Loss Function**从而找到最优的一组参数\r\n\r\n**Loss Function**可以近似看成是预测值与真实值的**距离**\r\n\r\n**0-1 Loss**"
},
{
"path": "models/Regression/04_training_linear_models.ipynb",
"chars": 851505,
"preview": "{\n \"cells\": [\n {\n \"cell_type\": \"markdown\",\n \"metadata\": {},\n \"source\": [\n \"**Chapter 4 – Training Linear Model"
},
{
"path": "models/Regression/LinearRegression.ipynb",
"chars": 482898,
"preview": "{\n \"nbformat\": 4,\n \"nbformat_minor\": 0,\n \"metadata\": {\n \"colab\": {\n \"name\": \"LinearRegression.ipynb\",\n \""
},
{
"path": "nlp/code/modeling.py",
"chars": 39578,
"preview": "# coding=utf-8\n# Copyright 2018 The Google AI Language Team Authors.\n#\n# Licensed under the Apache License, Version 2.0 "
},
{
"path": "nlp/code/run_classifier.py",
"chars": 39187,
"preview": "# coding=utf-8\n# Copyright 2018 The Google AI Language Team Authors.\n#\n# Licensed under the Apache License, Version 2.0 "
},
{
"path": "nlp/code/run_squad.py",
"chars": 49618,
"preview": "# coding=utf-8\n# Copyright 2018 The Google AI Language Team Authors.\n#\n# Licensed under the Apache License, Version 2.0 "
},
{
"path": "nlp/code/tokenization.py",
"chars": 12619,
"preview": "# coding=utf-8\n# Copyright 2018 The Google AI Language Team Authors.\n#\n# Licensed under the Apache License, Version 2.0 "
},
{
"path": "nlp/embedded.md",
"chars": 7082,
"preview": "### 词嵌入\n\n章节\n\n- [词嵌入概述](#summary)\n- [skip-gram](#skip)\n- [CBOW](#cbow)\n- [Negative Sample](#ns)\n- [GloVe](#glove)\n- [ELMo"
},
{
"path": "nlp/fast.md",
"chars": 563,
"preview": "**上手项目？**\n\n**1.** 确认你的目标，是刨根问底还是浅尝辄止，还有你给自己分配的时间，这样可以在规定时间内完成自己想要的结果。\n\n**2.** 找到好的教程，个人认为，想要快速上手一个项目，先不要看书上的理论，相信我，看完理论你"
},
{
"path": "nlp/load_data.md",
"chars": 0,
"preview": ""
},
{
"path": "nlp/models/bert.md",
"chars": 1450,
"preview": "### Bidirectional Encoder Representations from Transformers\n\n\n**章节**\n- [Encoder](#encoder)\n- [Ways Of Training](#train)\n"
},
{
"path": "nlp/models/functions.py",
"chars": 25263,
"preview": "import math\nfrom typing import Optional, Tuple, Any\nfrom typing import List, Optional, Tuple\nimport torch.nn as nn\nimpor"
},
{
"path": "nlp/models/transformer.md",
"chars": 8685,
"preview": "\n### Transformer\n\n**章节**\n- [Reasons](#reasons)\n- [Self-Attention](#self_attention)\n - [Multi-Head Attention](#multi)\n"
},
{
"path": "nlp/models/transformer_.md",
"chars": 33689,
"preview": "\n### Transformer源代码解释之PyTorch篇\n\n**章节**\n\n- [词嵌入](#embed)\n- [位置编码](#pos)\n- [多头注意力](#multihead)\n- [搭建Transformer](#build)\n\n"
},
{
"path": "nlp/models/transformer_translate.md",
"chars": 39266,
"preview": "### Transformer之翻译篇\n\n章节\n\n- [Pipeline构建](#preprocess)\n- [DataLoader构建](#build)\n- [MASK机制](#mask)\n- [模型搭建](#model)\n- [自定义学"
},
{
"path": "nlp/practice/sentiment.md",
"chars": 1351,
"preview": "### 中文情感分类单标签\n\n**章节**\n- [背景介绍](#bg)\n- [预处理](#preprocess)\n\n\n**<div id='bg'>背景介绍</div>**\n\n这次的任务是中文的一个评论情感去向分类\n\n![](https:/"
},
{
"path": "nlp/preprocess.md",
"chars": 4080,
"preview": "实战中数据往往不会像教程中的那样已经处理好，直接套模型就好，其实往往在数据的处理以及加载上花较多的时间，本文介绍在送往模型之前，如何处理文本数据以及如何在训练过程中读入。\n\n**目录**\n\n- [读取数据](#load)\n- [清洗数据]("
},
{
"path": "nlp/tasks/text.md",
"chars": 14160,
"preview": "### Bert & Transformer文本分类源码详解\n\n参考论文\n\nhttps://arxiv.org/abs/1706.03762\n\nhttps://arxiv.org/abs/1810.04805\n\n\n在本文中，我将以run_c"
},
{
"path": "nlp/tasks/understand.md",
"chars": 10007,
"preview": "### Bert & Transformer阅读理解源码详解\n\n参考论文\n\nhttps://arxiv.org/abs/1706.03762\n\nhttps://arxiv.org/abs/1810.04805\n\n\n在本文中，我将以run_s"
},
{
"path": "optimization/GD.md",
"chars": 4031,
"preview": "### Gradient Descent\r\n\r\n**章节**\r\n- [BGD](#bgd)\r\n- [SGD](#sgd)\r\n- [Better](#better)\r\n - [Momentum](#mom)\r\n - [RMSPro"
},
{
"path": "problems.md",
"chars": 3952,
"preview": "### 问题库\n\n集锦\n\n- [Colab](#colab)\n- [处理文件](#file)\n\n\n**<div id='colab'>Colab——深度学习</div>**\n\n- 切换tensorflow版本：\n```python\n%ten"
}
]
About this extraction
This page contains the full source code of the sherlcok314159/ML GitHub repository, extracted and formatted as plain text for AI agents and large language models (LLMs). The extraction includes 40 files (10.6 MB), approximately 2.8M tokens, and a symbol index with 197 extracted functions, classes, methods, constants, and types. Use this with OpenClaw, Claude, ChatGPT, Cursor, Windsurf, or any other AI tool that accepts text input. You can copy the full output to your clipboard or download it as a .txt file.
Extracted by GitExtract — free GitHub repo to text converter for AI. Built by Nikandr Surkov.