A snowboarder on a wide plain of snow	A snow field with a snowboarder on it	entailment
A snowboarder on a wide plain of snow	A snowboarder gliding over a field of snow	neutral
A snowboarder on a wide plain of snow	A snowmobile in a blizzard	neutral
An older women tending to a garden.	The lady is cooking dinner	contradiction
An older women tending to a garden.	The lady is weeding her garden	neutral
An older women tending to a garden.	The lady has a garden	entailment
A man in a black shirt overlooking bike maintenance.	A man destroys a bike.	contradiction
A man in a black shirt overlooking bike maintenance.	A man watches bike repairs.	entailment
A man in a black shirt overlooking bike maintenance.	A man learns bike maintenance.	neutral
A man in a black shirt is looking at a bike in a workshop.	A man is wearing a red shirt	contradiction
A man in a black shirt is looking at a bike in a workshop.	A man is in a black shirt	entailment
A man in a black shirt is looking at a bike in a workshop.	A man is deciding which bike to buy	neutral

class Translate:
    def __init__(self):
        return

    '''获取html'''
    def get_html(self, url):
        headers = {
            'User-Agent': r'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) '
                          r'Chrome/45.0.2454.85 Safari/537.36 115Browser/6.0.3',
            'Connection': 'keep-alive'
        }
        req = request.Request(url, headers=headers)
        page = request.urlopen(req).read()
        page = page.decode('utf-8')
        return page

    '''解析翻译答案'''
    def extract_answers(self, content):
        selector = etree.HTML(content)
        answer = selector.xpath('//div[@class="in-base"]/div/div/text()')[0]
        return answer

    '''翻译主函数'''
    def translate(self, query):
        url = 'http://www.iciba.com/{}'.format(query)
        html = self.get_html(url)
        try:
            answer = self.extract_answers(html)
        except Exception as e:
            answer = query
        return answer

一名身穿灰色T恤的男子站在一辆卡车和一棵小树的停车收费表旁边。	这辆卡车是绿色的。	neutral
摩托车排成一排，靠在一座建筑物上。	停车场里到处都是汽车。	contradiction
一男一女在街角接吻。	一对男女在接吻。	entailment
一名身穿绿色制服，手里拿着球的足球运动员被他的一些队友举起，而另一名穿红色球衣的球员则伸手去接球。	这位绿色球员受伤了，他的队友正在帮助他。	neutral
一个男人坐在阳光下，坐在长凳上，弹着班卓琴，而一只加拿大鹅看着。	有个人站着弹吉他。	contradiction
一个棕色头发的女人，对着麦克风唱歌。	一个女人唱歌。	entailment
一位穿着深色外套的女士正坐着，身边有许多人。	一位女士正试图在节日举行饮食比赛。	neutral
一位水泥工人正在一家服装店外的一条新人行道上工作。	一名工人在工作。	contradiction
巴尔从后板凳上扔出莫洛托夫鸡尾酒，就像金里奇曾经做过的那样。	金里奇和巴尔都把莫洛托夫鸡尾酒从后排扔出去了。	entailment
一群儿童和成年人在树林里的一条土路上骑自行车。	一个家庭在乡下骑自行车。	neutral
两个人手拿着一根杆子在外面工作。	两个男人在外面捕鲸。	contradiction
这是一张男人睡在墙上或冥想的照片。	一个人在墙附近。	entailment
当三个人经过时，人行道上有建筑。	他们最近拆毁了那里的一座建筑物。	neutral
老太太坐在满是鲜花的房间里。	这位老太太正在厨房里做蛋糕。	contradiction
游泳者潜入蓝色游泳池水中。	有一个人在水里。	entailment

    embedding_layer = Embedding(self.VOCAB_SIZE + 1,
                                self.EMBEDDING_DIM,
                                weights=[self.embedding_matrix],
                                input_length=self.TIME_STAMPS,
                                trainable=False,
                                mask_zero=True)
    left_input = Input(shape=(self.TIME_STAMPS,), dtype='float32')
    right_input = Input(shape=(self.TIME_STAMPS,), dtype='float32')
    encoded_left = embedding_layer(left_input)
    encoded_right = embedding_layer(right_input)
    shared_lstm = self.create_base_network(input_shape=(self.TIME_STAMPS, self.EMBEDDING_DIM))
    left_output = shared_lstm(encoded_left)
    right_output = shared_lstm(encoded_right)
    merged = concatenate([left_output, right_output], axis=-1)
    merged = Dropout(0.3)(merged)
    merged = BatchNormalization()(merged)
    pred = Dense(self.NUM_CLASSES, activation='softmax', name='softmax_prediction')(merged)
    optimizer = SGD(lr=0.001, momentum=0.9)
    model = Model(inputs=[left_input, right_input], outputs=pred)
    model.compile(loss='categorical_crossentropy',
                  optimizer=optimizer,
                  metrics=['accuracy'])
    model.summary()