Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
user:zeman:joshua [2009/06/04 11:19] zeman Příprava spuštění Z-MERTu. |
user:zeman:joshua [2009/06/10 00:05] zeman Nesoulad mezi zdrojáky a dokumentací z svn a release balíkem. |
||
---|---|---|---|
Line 9: | Line 9: | ||
* http:// | * http:// | ||
* http:// | * http:// | ||
+ | |||
===== Instalace ===== | ===== Instalace ===== | ||
Line 27: | Line 28: | ||
< | < | ||
svn co https:// | svn co https:// | ||
+ | |||
+ | Poznámka: Na začátku června 2009 jsem měl problémy se zdrojáky získanými přímo z SVN (třída SuffixArray neobsahovala metodu main()), ale možná to byl jen dočasný výpadek dokumentace, | ||
+ | |||
+ | http:// | ||
+ | |||
+ | přešel na link Download a stáhnul si aktuální release verzi. | ||
Přeložit Joshuu: | Přeložit Joshuu: | ||
Line 79: | Line 86: | ||
qstat -u ' | qstat -u ' | ||
- | ===== Použití | + | |
+ | ===== Extrakce gramatiky | ||
Joshua je nainstalován a funguje. Nyní se musíme naučit, jak ho trénovat a jak ho použít k překladu. | Joshua je nainstalován a funguje. Nyní se musíme naučit, jak ho trénovat a jak ho použít k překladu. | ||
Line 86: | Line 94: | ||
* Tokenizovaný a segmentovaný text ve zdrojovém jazyce (en). | * Tokenizovaný a segmentovaný text ve zdrojovém jazyce (en). | ||
* Tokenizovaný a segmentovaný text v cílovém jazyce (hi). | * Tokenizovaný a segmentovaný text v cílovém jazyce (hi). | ||
- | * Párování vyrobíme [[Giza++|Gizou++]]. | + | * Párování vyrobíme [[Giza++|Gizou++]]. Správný soubor s párováním |
- | + | ||
- | Správný soubor s párováním | + | |
- | + | ||
- | < | + | |
- | 0-3 7-4 8-5 9-6 10-7 11-8 12-9 13-10 14-11 15-12 16-13 4-15 2-17 3-18 20-19 18-21 21-22 22-23 22-24 22-25 19-26 23-27 | + | |
- | 0-0 1-1 2-1 3-2 4-4 5-5 7-9 8-16 9-17 10-17 12-17 13-17 14-17 15-17 17-17 18-17 11-18 18-19 18-20 19-21 | + | |
- | 1-0 4-2 6-4 7-5 7-6 5-7 7-7 6-8 8-9 7-10 8-11 8-12 8-13 11-14 12-17 | + | |
- | 0-0 1-1 2-1 3-1 7-2 8-3 9-4 6-5 11-6 11-7 12-10 13-11 14-12 15-13 16-14 22-15 23-15 21-16 26-17 17-20 28-22 29-23 27-26 25-28 30-29 31-30 32-30 33-30 33-31 33 | + | |
- | -32 34-33</ | + | |
A takhle pustíme Joshuu, aby z trénovacích dat extrahoval gramatiku. Joshua z nějakého důvodu vyžaduje také testovací soubor se zdrojovým jazykem. Soudě podle příkladu, který dodali, stačí zkopírovat první větu ze zdrojových trénovacích dat. Gramatiku je pak ještě třeba seřadit, vyházet duplicitní pravidla a zagzipovat. | A takhle pustíme Joshuu, aby z trénovacích dat extrahoval gramatiku. Joshua z nějakého důvodu vyžaduje také testovací soubor se zdrojovým jazykem. Soudě podle příkladu, který dodali, stačí zkopírovat první větu ze zdrojových trénovacích dat. Gramatiku je pak ještě třeba seřadit, vyházet duplicitní pravidla a zagzipovat. | ||
Line 106: | Line 105: | ||
setenv GRM en-hi.grammar | setenv GRM en-hi.grammar | ||
head -1 $SRC > $TST | head -1 $SRC > $TST | ||
- | java -cp $JOSHUA/bin joshua.prefix_tree.ExtractRules --source=$SRC --target=$TGT --alignments=$ALI --test=$TST --output=$GRM.unsorted --maxPhraseLength=5 | + | java -cp $JOSHUA/bin joshua.prefix_tree.ExtractRules |
+ | | ||
+ | | ||
sort -u $GRM.unsorted > $GRM | sort -u $GRM.unsorted > $GRM | ||
gzip $GRM</ | gzip $GRM</ | ||
Line 116: | Line 117: | ||
Binarizovat zdrojovou část korpusu. | Binarizovat zdrojovou část korpusu. | ||
- | < | + | < |
+ | | ||
+ | | ||
+ | | ||
+ | | ||
+ | java -cp $JOSHUA/bin joshua.corpus.suffix_array.SuffixArray \ | ||
+ | $WORK/ | ||
+ | $WORK/ | ||
+ | $WORK/ | ||
+ | $WORK/ | ||
+ | java -cp $JOSHUA/bin joshua.corpus.alignment.AlignmentGrids \ | ||
+ | $WORK/ | ||
+ | $WORK/ | ||
Takto se extrahuje gramatika pro konkrétní testovací data s pomocí binarizovaného korpusu: | Takto se extrahuje gramatika pro konkrétní testovací data s pomocí binarizovaného korpusu: | ||
- | < | + | < |
+ | | ||
+ | | ||
+ | | ||
+ | | ||
+ | | ||
+ | | ||
+ | | ||
+ | | ||
===== Decoding ===== | ===== Decoding ===== | ||
Line 273: | Line 293: | ||
< | < | ||
-s src.txt # source sentences file name | -s src.txt # source sentences file name | ||
- | -r ref | + | -r ref.txt # target sentences file name |
-rps 1 # references per sentence | -rps 1 # references per sentence | ||
-maxIt 5 # maximum MERT iterations | -maxIt 5 # maximum MERT iterations |