Differences
This shows you the differences between two versions of the page.
| Both sides previous revision Previous revision Next revision | Previous revision | ||
|
user:zeman:joshua [2009/06/01 22:37] zeman Problém s kompatibilitou 64bitových strojů možná vyřešen. |
user:zeman:joshua [2010/08/31 15:55] (current) zeman Překlep. |
||
|---|---|---|---|
| Line 7: | Line 7: | ||
| * http:// | * http:// | ||
| * http:// | * http:// | ||
| - | * http:// | + | |
| + | | ||
| + | * http:// | ||
| ===== Instalace ===== | ===== Instalace ===== | ||
| Line 20: | Line 22: | ||
| < | < | ||
| setenv SRILM / | setenv SRILM / | ||
| - | setenv | + | setenv |
| Stáhnout aktuální verzi Joshuy: | Stáhnout aktuální verzi Joshuy: | ||
| - | < | + | < |
| 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: | ||
| - | < | + | < |
| ant compile</ | ant compile</ | ||
| Line 67: | Line 75: | ||
| * make clean, pak make World | * make clean, pak make World | ||
| * Vrátil jsem se do $JOSHUA_HOME a pustil ant clean, pak ant compile, nakonec ant test a hlavně ten ./ | * Vrátil jsem se do $JOSHUA_HOME a pustil ant clean, pak ant compile, nakonec ant test a hlavně ten ./ | ||
| + | |||
| + | ==== Cluster ==== | ||
| + | |||
| + | Ke spuštění Joshuy na clusteru se hodí např. Ondrova obálka (nebo i ta moje vlastní, ale tu bych neměl nutit např. Gauravovi, když jako jeden z mála pořád pracuju s tcsh). | ||
| + | |||
| + | < | ||
| + | ssh lrc-two | ||
| + | cd $JOSHUA | ||
| + | ~bojar/ | ||
| + | qstat -u ' | ||
| + | |||
| + | |||
| + | ===== Extrakce gramatiky ===== | ||
| + | |||
| + | Joshua je nainstalován a funguje. Nyní se musíme naučit, jak ho trénovat a jak ho použít k překladu. | ||
| + | |||
| + | Nejdříve potřebujeme získat paralelní data, to je úkol mimo Joshuu. | ||
| + | * Tokenizovaný a segmentovaný text ve zdrojovém jazyce (en). | ||
| + | * Tokenizovaný a segmentovaný text v cílovém jazyce (hi). | ||
| + | * Párování vyrobíme [[Giza++|Gizou++]]. Správný soubor s párováním má stejný počet řádků jako zdrojový a cílový text (co řádek, to věta), ale místo slov má na každém řádku posloupnost dvojic čísel (např. "2-0 2-1 2-2 2-3 1-4"). Čísla vyjadřují, | ||
| + | |||
| + | ==== Zastaralý návod ==== | ||
| + | |||
| + | **Pozor, následující poznámky pocházejí z& | ||
| + | |||
| + | 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. | ||
| + | |||
| + | < | ||
| + | setenv SRC corpus/ | ||
| + | setenv TGT corpus/ | ||
| + | setenv ALI model/ | ||
| + | setenv TST corpus/ | ||
| + | setenv GRM en-hi.grammar | ||
| + | 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 | ||
| + | sort -u $GRM.unsorted > $GRM | ||
| + | gzip $GRM</ | ||
| + | |||
| + | V příkladu v INSTALL.txt měli navíc ještě volbu '' | ||
| + | |||
| + | Pozor, je poměrně snadné vyčerpat paměť. Tomu se dá čelit jednak tím, že se přesuneme na stroj, který má více paměti, jednak že zvolíme postup, který je složitější, | ||
| + | |||
| + | Binarizovat zdrojovou část korpusu. | ||
| + | |||
| + | < | ||
| + | $WORK/ | ||
| + | $WORK/ | ||
| + | $WORK/ | ||
| + | $WORK/ | ||
| + | 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: | ||
| + | |||
| + | < | ||
| + | --binary-source=true --binary-target=true \ | ||
| + | --source=model/ | ||
| + | --source-vocab=model/ | ||
| + | --source-suffixes=model/ | ||
| + | --alignmentsType=MemoryMappedAlignmentGrids --alignments=model/ | ||
| + | --test=corpus/ | ||
| + | --output=model/ | ||
| + | --maxPhraseLength=5</ | ||
| + | |||
| + | ==== Nový návod pro Joshuu 1.3 ==== | ||
| + | |||
| + | Následuje výtah z& | ||
| + | |||
| + | The recommended way to extract a grammar is to configure an ant XML file for ExtractRules. All available parameters can be configured using that technique. The main method is meant now to just be a simple version for use if you don't need any custom configuration. | ||
| + | |||
| + | The current version of ExtractRules and its parameters are documented in my and Chris' | ||
| + | http:// | ||
| + | |||
| + | The ant file should look something like this: | ||
| + | |||
| + | extract.xml: | ||
| + | |||
| + | <code xml>< | ||
| + | |||
| + | <!-- Define the path to Joshua class files --> | ||
| + | < | ||
| + | value="/ | ||
| + | |||
| + | <!-- Define the ant task to compile a corpus into binary memory-mappable files --> | ||
| + | < | ||
| + | classname=" | ||
| + | classpath=" | ||
| + | |||
| + | <!-- Define the ant task to extract rules --> | ||
| + | < | ||
| + | classname=" | ||
| + | classpath=" | ||
| + | |||
| + | |||
| + | <!-- Declare a target to compile a corpus --> | ||
| + | <target name=" | ||
| + | description=" | ||
| + | < | ||
| + | sourceCorpus="/ | ||
| + | targetCorpus="/ | ||
| + | alignments="/ | ||
| + | outputDir="/ | ||
| + | /> | ||
| + | </ | ||
| + | |||
| + | |||
| + | <!-- Declare a target to extract a grammar --> | ||
| + | <target name=" | ||
| + | description=" | ||
| + | < | ||
| + | joshDir="/ | ||
| + | outputFile="/ | ||
| + | testFile="/ | ||
| + | /> | ||
| + | </ | ||
| + | |||
| + | |||
| + | <!-- Declare a target to extract a grammar with other parameters--> | ||
| + | <target name=" | ||
| + | description=" | ||
| + | < | ||
| + | joshDir="/ | ||
| + | outputFile="/ | ||
| + | testFile="/ | ||
| + | maxPhraseSpan=" | ||
| + | maxPhraseLength=" | ||
| + | requireTightSpans=" | ||
| + | edgeXViolates=" | ||
| + | sentenceInitialX=" | ||
| + | sentenceFinalX=" | ||
| + | ruleSampleSize=" | ||
| + | maxNonterminals=" | ||
| + | /> | ||
| + | </ | ||
| + | |||
| + | </ | ||
| + | |||
| + | You can call this, with any of the targets that you define in extract.xml, | ||
| + | |||
| + | <code bash># Compile the corpus | ||
| + | ant -f extract.xml compile_de-en | ||
| + | |||
| + | # Extract rules using defaults | ||
| + | ant -f extract.xml extract_de-en | ||
| + | |||
| + | # Extract rules using custom settings | ||
| + | ant -f extract.xml extract_de-en-custom</ | ||
| + | |||
| + | ===== Decoding ===== | ||
| + | |||
| + | Jakmile máme gramatiku (tj. překladový model), můžeme dekódovat neboli překládat. Bývá sice zvykem ještě nejdříve vyladit váhy jednotlivých komponent pomocí MERTu, ale MERT sám už dekódování používá a teoreticky se můžeme spokojit s dekódováním pomocí odhadnutých, | ||
| + | |||
| + | Parametry dekódování se zadávají prostřednictvím konfiguračního souboru. Vytvoříme si ho třeba tak, že zkopírujeme a upravíme konfigurační soubor, který byl přibalen k Joshuovi v jednom z příkladů (example2). Konfigurační soubor obsahuje následující parametry: | ||
| + | |||
| + | Cesta k souboru s jazykovým modelem. Zatím předpokládám, | ||
| + | |||
| + | < | ||
| + | |||
| + | Cesta k souboru s překladovým modelem, tedy s gramatikou vyextrahovanou pro daný testovací soubor. Formát má být stejný, jako produkuje Hiero. Předpokládám, | ||
| + | |||
| + | < | ||
| + | tm_format=hiero</ | ||
| + | |||
| + | Jakýsi spojovací soubor, glue_file. Vůbec nevím, co to je. Joshua ale jeden obsahuje a vypadá dost obecně, takže možná nezávisí na konkrétních trénovacích datech. | ||
| + | |||
| + | < | ||
| + | glue_format=hiero</ | ||
| + | |||
| + | Konfigurace jazykového modelu. Kopíruju ji z example2, akorát měním order na 3, protože jsem trénoval trigramy, nikoli čtyřgramy. | ||
| + | |||
| + | < | ||
| + | use_srilm=false | ||
| + | lm_ceiling_cost=100 | ||
| + | use_left_euqivalent_state=false | ||
| + | use_right_euqivalent_state=false | ||
| + | order=3</ | ||
| + | |||
| + | Konfigurace překladového modelu. Kopíruju ji z example2, aniž bych tušil, co znamená. | ||
| + | |||
| + | < | ||
| + | span_limit=10 | ||
| + | phrase_owner=pt | ||
| + | mono_owner=mono | ||
| + | begin_mono_owner=begin_mono | ||
| + | default_non_terminal=X | ||
| + | |||
| + | #pruning config | ||
| + | fuzz1=0.1 | ||
| + | fuzz2=0.1 | ||
| + | max_n_items=30 | ||
| + | relative_threshold=10.0 | ||
| + | max_n_rules=50 | ||
| + | rule_relative_threshold=10.0</ | ||
| + | |||
| + | Konfigurace N-best listu (dekodér vrací N překladových hypotéz, které se mu jeví jako nejlepší, seřazených podle skóre, které jim přiřadil). Pro MERT potřebujeme N nejlepších hypotéz, abychom mohli každou z nich porovnat s referenčními překlady, spočítat BLEU skóre a případně upravit váhy, pokud má nejlepší BLEU skóre hypotéza, která se celkovým skóre nedostala na začátek seznamu, ale při jiném vyvážení komponent by se tam mohla dostat. Pro závěrečný překlad testovacích dat obvykle N nejlepších hypotéz nepotřebujeme, | ||
| + | |||
| + | < | ||
| + | use_unique_nbest=true | ||
| + | use_tree_nbest=false | ||
| + | add_combined_cost=true | ||
| + | top_n=300</ | ||
| + | |||
| + | Další sekce se týkají vzdáleného serveru pro jazykové modelování a paralelního dekodéru. Tyto sekce vynechávám, | ||
| + | |||
| + | Následují váhy jednotlivých komponent (" | ||
| + | |||
| + | < | ||
| + | #lm order weight | ||
| + | lm 1.000000 | ||
| + | |||
| + | # | ||
| + | phrasemodel pt 0 1.066893 | ||
| + | phrasemodel pt 1 0.752247 | ||
| + | phrasemodel pt 2 0.589793 | ||
| + | |||
| + | # | ||
| + | # | ||
| + | # | ||
| + | |||
| + | # | ||
| + | |||
| + | # | ||
| + | wordpenalty -2.844814</ | ||
| + | |||
| + | No a nakonec příkaz, kterým pustíme Joshuu s naším konfiguračním souborem (na clusteru): | ||
| + | |||
| + | < | ||
| + | "java -Xmx1200m -Xms1200m -cp $JOSHUA/bin joshua.decoder.JoshuaDecoder \ | ||
| + | | ||
| + | | ||
| + | | ||
| + | |||
| + | I když si v konfiguračním souboru řekneme, že chceme N-best výstup pro N=1, dostaneme ho ve formátu, který je připraven na více hypotéz (každý překlad např. obsahuje skóre a váhy). Abychom z toho dostali obyčejný 1-best překlad, můžeme použít Zhifeiův skript, který je k Joshuovi přibalen ve složce example2: | ||
| + | |||
| + | < | ||
| + | |||
| + | ===== Vyhodnocení úspěšnosti ===== | ||
| + | |||
| + | 1-best výstup Joshuy a referenční překlad bychom mohli převést do příslušného XML formátu a pustit na ně oficiální externí perlový skript, který počítá BLEU skóre. Pro výsledná čísla do článku bychom to tak také měli udělat. | ||
| + | |||
| + | Jinak ale Joshua obsahuje svůj vlastní kód pro vyhodnocování. Přehled parametrů jeho volání se dozvíme, když ho zavoláme bez argumentů: | ||
| + | |||
| + | < | ||
| + | |||
| + | S využitím většiny defaultů stačí dodat jméno vyhodnocovaného souboru a jméno souboru s referenčním překladem: | ||
| + | |||
| + | < | ||
| + | -cand $HINDI/ | ||
| + | -ref $HINDI/ | ||
| + | |||
| + | Bez MERTu mi zatím vyšlo BLEU = 0.0807. | ||
| + | |||
| + | ===== MERT ===== | ||
| + | |||
| + | Celý proces by nebyl úplný bez MERTu, což je zkratka za Minimum Error Rate Training. V principu jde o to, že se dekodér opakovaně pouští na vývojová data a na základě změřené úspěšnosti se postupně optimalizují váhy překladového modelu, jazykového modelu a případně dalších složek. V Joshuovi je pro tento účel integrován javovský nástroj Z-MERT. | ||
| + | |||
| + | Většina parametrů se Z-MERTu předává prostřednictvím konfiguračního souboru. Přehled volání Z-MERTu se dozvíme takto: | ||
| + | |||
| + | < | ||
| + | |||
| + | Příklad použití Z-MERTu najdeme ve složce '' | ||
| + | |||
| + | Dále potřebujeme soubor (vlastně skript: měl by být spustitelný), | ||
| + | |||
| + | < | ||
| + | cp ../ | ||
| + | cp ../ | ||
| + | cp $JOSHUA/ | ||
| + | vi decoder-config</ | ||
| + | |||
| + | Změněné parametry: | ||
| + | |||
| + | < | ||
| + | tm_file=/ | ||
| + | glue_file=/ | ||
| + | order=3</ | ||
| + | |||
| + | < | ||
| + | chmod 755 decoder_command | ||
| + | vi decoder_command</ | ||
| + | |||
| + | Ve volání dekodéru musíme změnit cesty ke konfiguračnímu, | ||
| + | |||
| + | < | ||
| + | $HINDI/ | ||
| + | $HINDI/ | ||
| + | $HINDI/ | ||
| + | |||
| + | V konfiguraci Z-MERTu zohledníme právě upravené volání a konfiguraci dekodéru. | ||
| + | |||
| + | < | ||
| + | cp $JOSHUA/ | ||
| + | vi zmert-config.txt</ | ||
| + | |||
| + | Změněné parametry: | ||
| + | |||
| + | < | ||
| + | -s src.txt # source sentences file name | ||
| + | -r ref.txt # target sentences file name | ||
| + | -rps 1 # references per sentence | ||
| + | -maxIt 5 # maximum MERT iterations | ||
| + | -cmd ./ | ||
| + | -decOut nbest.txt # file produced by decoder | ||
| + | -dcfg decoder-config.txt # decoder config file</ | ||
| + | |||
| + | No a teď už můžeme spustit Z-MERT (případně to celé dát do uvozovek a před to '' | ||
| + | |||
| + | < | ||
| + | $HINDI/ | ||
| + | > $HINDI/ | ||
| + | |||
| + | ===== Troubleshooter ===== | ||
| + | |||
| + | |||
| + | |||
| + | ==== Grammar extraction: Negative array size ==== | ||
| + | |||
| + | If you encounter this exception during corpus binarization or (in older releases of Joshua) during grammar extraction, check your alignment file whether it matches your source and target corpus. Did you switch translation direction accidentially? | ||
| + | |||
| + | Another source of this error could be sentences with 100 or more words. This is not a strict limit, often I was able to extract grammars for corpora unchecked for such sentences, but according to Lance Schwartz, long sentences can cause problems. (For me, filtering out such sentences helped with es-en WMT08 training data.) And after all, they are suspicious anyway, and their contribution to the learnt model is doubtful. | ||
| + | |||
| + | ==== ZMERT: corrupted temp file ==== | ||
| + | |||
| + | Hi all, | ||
| + | |||
| + | does the following ZMERT exception look familiar to anyone? My only idea was that the nbest output from the decoder is corrupted somehow. However, I cannot find anything strange in it, such as sequence of more then three " | ||
| + | |||
| + | Thanks, | ||
| + | Dan | ||
| + | |||
| + | zmert.out: | ||
| + | ----- | ||
| + | < | ||
| + | Processed the following args array: | ||
| + | -dir / | ||
| + | |||
| + | ---------------------------------------------------- | ||
| + | Initializing... | ||
| + | ---------------------------------------------------- | ||
| + | |||
| + | Random number generator initialized using seed: 12341234 | ||
| + | |||
| + | Number of sentences: 2051 | ||
| + | Number of documents: 1 | ||
| + | Optimizing BLEU | ||
| + | docSubsetInfo: | ||
| + | Number of features: 5 | ||
| + | Feature names: {" | ||
| + | |||
| + | c Default value Optimizable? | ||
| + | 1 | ||
| + | 2 | ||
| + | 3 | ||
| + | 4 | ||
| + | 5 | ||
| + | |||
| + | Weight vector normalization method: weights will be scaled so that the " | ||
| + | |||
| + | ---------------------------------------------------- | ||
| + | |||
| + | ---------------------------------------------------- | ||
| + | Z-MERT run started @ Sat Mar 06 23:52:57 CET 2010 | ||
| + | ---------------------------------------------------- | ||
| + | |||
| + | Initial lambda[]: {1.0, 1.066893, 0.752247, 0.589793, -2.844814} | ||
| + | |||
| + | --- Starting Z-MERT iteration #1 @ Sat Mar 06 23:52:57 CET 2010 --- | ||
| + | Decoding using initial weight vector {1.0, 1.066893, 0.752247, 0.589793, -2.844814} | ||
| + | Running external decoder... | ||
| + | ...finished decoding @ Sun Mar 07 00:02:33 CET 2010 | ||
| + | Reading candidate translations from iterations 1-1 | ||
| + | (and computing BLEU sufficient statistics for previously unseen candidates) | ||
| + | | ||
| + | Exception in thread " | ||
| + | at java.lang.NumberFormatException.forInputString(NumberFormatException.java: | ||
| + | at java.lang.Integer.parseInt(Integer.java: | ||
| + | at java.lang.Integer.parseInt(Integer.java: | ||
| + | at joshua.zmert.MertCore.run_single_iteration(MertCore.java: | ||
| + | at joshua.zmert.MertCore.main(MertCore.java: | ||
| + | Z-MERT exiting prematurely (MertCore returned 1)...</ | ||
| + | ----- | ||
| + | |||
| + | Omar's response: | ||
| + | |||
| + | Hi Dan, | ||
| + | |||
| + | The " | ||
| + | if there are any *temp* (or *tmp*) files in the folder from earlier | ||
| + | runs, make sure you delete them first, then try launching Z-MERT | ||
| + | again. | ||
| + | not delete them because they can be used to restart Z-MERT from the | ||
| + | point where it crashed. | ||
| + | loss or an interrupted job, etc. In your case, I think what happened | ||
| + | is that a prior run crashed because of an external problem in the | ||
| + | setup itself, which you fixed and tried to restart Z-MERT. | ||
| + | reason, Z-MERT should not be using those temp files in the first | ||
| + | place, but when it sees them there, it assumes it can use them because | ||
| + | the user did not delete them. | ||
| + | |||
| + | Let me know if that's not the case. | ||
| + | |||
| + | O.Z. | ||