Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision Last revision Both sides next revision | ||
|
user:zeman:giza [2009/06/02 11:37] zeman Z. |
user:zeman:giza [2009/06/03 15:31] zeman Moje pokusné volání. |
||
|---|---|---|---|
| Line 21: | Line 21: | ||
| Zdá se, že nástroje přeložené na 32bitové pracovní stanici s Ubuntu lze spustit i na clusteru. | Zdá se, že nástroje přeložené na 32bitové pracovní stanici s Ubuntu lze spustit i na clusteru. | ||
| - | |||
| - | |||
| ===== Příprava dat ===== | ===== Příprava dat ===== | ||
| Line 40: | Line 38: | ||
| $MOSES/ | $MOSES/ | ||
| - | Zvláštní. Diff se tváří, že hindská data se lowercasingem opravdu změnila, a změněných řádků není málo. Většinou obsahují latinské písmeno " | + | Zvláštní. Diff se tváří, že hindská data se lowercasingem opravdu změnila, a změněných řádků není málo. Většinou obsahují latinské písmeno " |
| + | |||
| + | K tomu Gauravův komentář: Tam, kde se vyskytne celá posloupnost latinských znaků (opravdu asi stačí 2 a více za sebou), jde o nějakou divnou, často pro normálního Hinda nečitelnou romanizaci, kterou někdo nezkonvertoval zpátky. Tohle bude nejlepší prostě vyhodit. Pak se také občas objevuje samotné písmeno, přilepené nebo vložené do slova v dévanágarí. Viděli jsme Z, L a Q, ale mohou být i další. Je možné, že jsou to také nezkonvertované znaky. Z jsme viděli většinou na kraji slova, mohla by to být nějaká interpunkce. Q jsme viděli uprostřed slova a Gaurava nenapadá, co by to mohlo být - prostým vymazáním prý vznikne správné slovo. L jsme viděli taky uprostřed slova a u něj bylo možné vysledovat nějaký význam. Nepochopil jsem přesně jaký, ale to, co mi Gaurav namaloval, vypadalo na samohlásku " | ||
| + | |||
| + | Další krok je čištění korpusu od vět delších než 40 tokenů. Zatím k tomu použiju skript, který se mi kdysi vygeneroval u Mosese v rámci nějakého časovaného pokusu: | ||
| + | |||
| + | < | ||
| + | |||
| + | Ohlásilo to, že z 50000 vět zbylo 42737. | ||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | |||
| + | ===== Volání Gizy ===== | ||
| + | |||
| + | Než zavoláme Gizu, musíme mít z nějakého důvodu hotový [[SRILM|jazykový model]]< | ||
| + | |||
| + | Pro konkrétní pokusy s hindštinou už mám upravené volání Gizy++ nachystané ve skriptu '' | ||
| + | |||
| + | Moses obsahuje skript, který hezky obaluje volání mkcls a Gizy++ a generuje frázové a přeskládávací tabulky, které potřebuje dekodér. Volá se takhle (pozor, cesta k jazykovému modelu musí být **absolutní**): | ||
| + | |||
| + | < | ||
| + | -scripts-root-dir $MOSES/ | ||
| + | -root-dir . \ | ||
| + | -corpus ./ | ||
| + | -alignment grow-diag-final-and \ | ||
| + | -reordering msd-bidirectional-fe \ | ||
| + | -lm 0: | ||
| + | >& training.out & | ||
| + | </ | ||
| + | |||
| + | Uvedený skript se mi zasekl krátce před vytvořením vlastního symetrického párování, | ||
| + | |||
| + | Uvedený trénovací skript Mosese má na starosti mnohem více úkonů než jen volání Gizy. Úkony jsou rozdělené do kroků a můžeme provést jen některé kroky. Kroky jsou následující: | ||
| + | |||
| + | - prepare() - pracuje s faktory, nahrazuje slova v korpusu číselnými odkazy do slovníku, volá '' | ||
| + | - run_giza() - pustí paralelně 2 alignovací procesy, ze zdroje na cíl a z cíle na zdroj | ||
| + | - word_align() - zkombinuje výsledky obou Giz, aby získal jedno slovní párování. Volá '' | ||
| + | - get_lexical_factored() | ||
| + | - extract_phrase_factored() | ||
| + | - score_phrase_factored() | ||
| + | - get_reordering_factored() | ||
| + | - get_generation_factored() | ||
| + | - create_ini() | ||
| + | |||
| + | Pokud to děláme kvůli Joshuovi, potřebujeme pustit jen prvních pár kroků. | ||
| + | |||
| + | **Pozor!** Jestliže pustíme Gizu opakovaně ve stejné složce, bude mít tendenci využít staré mezisoubory a nevytvářet je znova, aby ušetřila čas. To ale není vždy žádoucí! Jestliže jsme např. měli vedle sebe dvě verze korpusu, train.lowercased (50000 vět na každé straně) a train.clean (podmnožina 42737 vět na každé straně), nejdříve jsme pustili Gizu na train.lowercased a pak jsme si vzpomněli, že jsme vlastně chtěli train.clean, | ||