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:wmt [2010/03/05 12:13] zeman Náročnost trénování jazykového modelu. |
user:zeman:wmt [2012/01/19 08:14] zeman Musíme se nacházet na hřišti, aby to fungovalo. |
||
---|---|---|---|
Line 1: | Line 1: | ||
- | ====== Danovy pokusy s Joshuou na WMT 2010 ====== | + | ====== Danovy pokusy s Joshuou na WMT 2012 ====== |
- | http:// | + | http:// |
+ | http:// | ||
http:// | http:// | ||
< | < | ||
Line 7: | Line 8: | ||
===== Aktuální úkoly ===== | ===== Aktuální úkoly ===== | ||
- | * Vyrobit 5gramový a 6gramový jazykový model z Ondřejových dat. (Ondra už mi mezitím dal svůj hotový šestigram, ale přesto chci ověřit, že už ho dokážu vyrobit.) | + | * Udělat pořádek v záznamech. |
- | * Pustit MERT obo-base | + | * Najít a oživit loňské pokusy s interpunkcí, zejména s uvozovkami. |
- | * Paralelizovat extrakci gramatiky, abych měl šanci se jí u obo-max někdy dočkat. | + | * Převést všechny pokusy pod aktuální verzi Joshuy. |
+ | * Konečně převést Joshuu pod Emana. | ||
+ | * Převést všechny pokusy na nové zacházení | ||
+ | * Dotáhnout do konce obo-max. | ||
+ | * Při klonování experimentu se musí kopírovat mert/ | ||
+ | * Pro všechny jazykové páry používat všechna dostupná data, tedy i Europarl, neomezovat se na News Commentary. To mj. znamená, že musím pro všechny páry získat nové baseliny. | ||
- | ===== Příprava korpusů | + | ===== Data ===== |
Vývojová data ('' | Vývojová data ('' | ||
- | ===== Náročnost ===== | + | ==== Ondřejova data ==== |
- | ==== obo-base1 ==== | + | Ondřejovy augmented corpora se nacházejí v& |
- | První pokus s Ondřejovými daty 3.3.2010, ale jen trigramový jazykový model. Proběhlo celkem bez potíží. | + | Vysvětlení Ondrových pseudojazyků: |
+ | * Znaky za '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
+ | * '' | ||
- | ==== obo-base2 ==== | + | Ondřejův maximální paralelní korpus navíc obsahuje další části Czengu a korpus Emea: '' |
- | Snažím se vyrobit větší jazykové modely. Zatím (5.3.2010 dopoledne) doběhl čtyřgram, běží pentagram. | + | Pro český jazykový model chtěl Ondřej později ještě přidat korpusy '' |
- | Trénování 4gramového jazykového modelu trvalo půl hodiny | + | Testovací data by měl mít stejná jako já, tj. '' |
- | ==== obo-base3 | + | ===== Náročnost ===== |
- | + | ||
- | Klon obo-base2. Používám Ondřejův hotový šestigramový model a pouštím rovnou MERT. | + | |
==== obo-max ==== | ==== obo-max ==== | ||
Line 39: | Line 50: | ||
===== Výsledky ===== | ===== Výsledky ===== | ||
- | Není-li řečeno jinak, váhy se ladí na newstest2008 a testuje se na newstest2009. Trénuje se zatím na news-commentary, | + | Není-li řečeno jinak, váhy se ladí na newstest2008 a testuje se na newstest2009. Trénuje se zatím na news-commentary, |
+ | |||
+ | | **Pokus** | **Dev WMT08** | **Test WMT09** | **Test WMT10** | **Poznámka** | **Datum** | | ||
+ | | encs-allcstem4-tmnews-lmnews | 0.0918 | 0.0905 | | | 24.2.2010 | | ||
+ | | encs-clean | 0.0913 | 0.0897 | | Joshua 1.1, z trénovacích dat odstraněny věty o 100 a více slovech. | 21.3.2010 | | ||
+ | | encs-josh13 | 0.0878 | 0.0869 | | | 9.3.2010 | | ||
+ | | encs-the | 0.0901 | 0.0863 | | Pokus: ze zdrojové (anglické) strany trénovacích dat byly odstraněny všechny výskyty slova " | ||
+ | | decs-josh13 | 0.0935 | 0.0886 | | | 15.3.2010 | | ||
+ | | escs-josh13 | 0.0922 | 0.0872 | | | 15.3.2010 | | ||
+ | | frcs-josh13 | 0.0885 | 0.0818 | | Zřetelně menší trénovací data než pro encs, decs a escs. | 15.3.2010 | | ||
+ | | csen-allcstem4-tmnews-lmnews | 0.1439 | 0.1471 | 0.1518 (14.2/10.5) | | 26.2.2010 | | ||
+ | | csen-clean | 0.1441 | 0.1458 | | | 21.3.2010 | | ||
+ | | csen-josh13 | 0.1420 | 0.1455 | | | 9.3.2010 | | ||
+ | | ende-allcstem4-tmnews-lmnews | 0.1168 | 0.1114 | 0.1199 (11.5/4.3) | | 26.2.2010 | | ||
+ | | ende-clean | 0.1162 | 0.1118 | | | 21.3.2010 | | ||
+ | | ende-josh13 | 0.1161 | 0.1096 | | | 9.3.2010 | | ||
+ | | deen-allcstem4-tmnews-lmnews | 0.1725 | 0.1617 | 0.1728 (16.1/11.4) | | 26.2.2010 | | ||
+ | | deen-clean | 0.1718 | 0.1624 | | | 21.3.2010 | | ||
+ | | deen-josh13 | 0.1703 | 0.1616 | | | 9.3.2010 | | ||
+ | | enes-allcstem4-tmnews-lmnews | 0.1954 | 0.1966 | 0.2150 (21.1/16.5) | Pokus s WMT 2010 bez úspěšného MERTu, váhy jsem si vypůjčil z en-fr. | 6.3.2010 | | ||
+ | | enes-clean | 0.1953 | 0.1979 | | | 21.3.2010 | | ||
+ | | enes-josh13 | 0.1969 | 0.1978 | | | 9.3.2010 | | ||
+ | | esen-allcstem4-tmnews-lmnews | 0.1945 | 0.2025 | 0.2268 (21.7/16.1) | | 8.3.2010 | | ||
+ | | esen-clean | 0.1945 | 0.2023 | | | 21.3.2010 | | ||
+ | | esen-josh13 | 0.1335 | 0.1411 | | Tady je pokles při přechodu na Joshuu 1.3 výraznější než jinde. | 10.3.2010 | | ||
+ | | enfr-allcstem4-tmnews-lmnews | 0.1991 | 0.2001 | 0.2034 (15.7/12.2) | | 26.2.2010 | | ||
+ | | enfr-clean | 0.1979 | 0.1990 | | | 21.3.2010 | | ||
+ | | enfr-josh13 | 0.1982 | 0.1999 | | | 9.3.2010 | | ||
+ | | fren-allcstem4-tmnews-lmnews | 0.1869 | 0.2020 | 0.1991 (18.9/13.7) | | 26.2.2010 | | ||
+ | | fren-clean | 0.1873 | 0.2008 | | | 21.3.2010 | | ||
+ | | fren-josh13 | 0.1861 | 0.2036 | | | 9.3.2010 | | ||
+ | |||
+ | Po přechodu z Joshuy 1.1 na 1.3 u téměř všech pokusů pokleslo BLEU skóre. Je to sice malý pokles a pravděpodobně není statisticky významný, ale stejně mě to zaráží. Srovnání u češtiny ukázalo, že se liší extrahovaná gramatika. V konfiguraci se už teď nezadává, že maximální délka fráze má být 5. Hraje to nějakou roli? | ||
+ | |||
+ | | **Pokus** | **Dev WMT08** | **Test WMT09** | **Test WMT10** | **Poznámka** | **Datum** | | ||
+ | | obo-base1 (encs) | 0.1084 | 0.0990 | | | 3.3.2010 | | ||
+ | | obo-base3 (encs) | 0.1064 | 0.0990 | | Na rozdíl od obo-base1 použit šestigramový jazykový model místo třígramového. Výsledek je velmi podezřelý (velmi podezřele podobný tomu třígramovému), | ||
+ | | obo-base3 (encs) | 0.1103 | 0.1012 | | Opravný pokus, tentokrát už dekodér snad ví, že máme šestigram. | 5.3.2010 | | ||
+ | | obo-max(-final) (encs) | 0.1344 | 0.1300 | 0.1357 (13.4/12.6) | Ondrův maximální paralelní korpus a třígramový jazykový model. | 7.3.2010 | | ||
+ | | obo-max3 (encs) | 0.1387 | | 0.1402 | Ondrův maximální paralelní korpus a šestigramový jazykový model. | 8.3.2010 | | ||
+ | |||
+ | Na konci srpna 2010 oživuju pokusy s& | ||
+ | |||
+ | | **Pokus** | **Dev WMT08** | **Test WMT09** | **Test WMT10** | **Poznámka** | **Datum** | | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | | encs: | ||
+ | |||
+ | ===== Pokusy s uvozovkami ===== | ||
+ | |||
+ | Na začátku léta 2011 jsem se pokoušel poloautomaticky opravit a sjednotit uvozovky ve všech jazycích WMT 2011. Myslím, že to nebylo dodělané, a momentálně to nemůžu najít. Šlo o úpravu trénovacích korpusů. Výsledkem měla být " | ||
+ | |||
+ | '' | ||
+ | a co historie loňských commitů? | ||
+ | |||
+ | Podle časových značek u korpusů v '' | ||
+ | |||
+ | ===== Infrastruktura a zarovnání ===== | ||
+ | |||
+ | Kromě toho jsem někdy v roce 2011 zkoušel předělat Joshuovy skripty, které pouštěly Gizu, aby mohly obě půlky běžet paralelně. Obávám se, že to zůstalo rozvrtané a nefunkční. | ||
+ | |||
+ | ===== Inventura 16.1.2012 ===== | ||
+ | |||
+ | 16.1.2012 21:12: Pouštím znova pokus '' | ||
+ | |||
+ | ===== Eman ===== | ||
- | | **Pokus** | **Dev BLEU** | **Test BLEU** | **Poznámka** | **Datum** | | + | Ondrův e-mail z& |
- | | encs-allcstem4-tmnews-lmnews | 0.0918 | 0.0905 | | 24.2.2010 | | + | |
- | | csen-allcstem4-tmnews-lmnews | 0.1439 | 0.1471 | | 26.2.2010 | | + | |
- | | ende-allcstem4-tmnews-lmnews | 0.1168 | test havaroval | | 26.2.2010 | | + | |
- | | deen-allcstem4-tmnews-lmnews | 0.1725 | 0.1617 | | 26.2.2010 | | + | |
- | | enes-allcstem4-tmnews-lmnews | MERT havaroval | | | 26.2.2010 | | + | |
- | | esen-allcstem4-tmnews-lmnews | extrakce havarovala | | | 26.2.2010 | | + | |
- | | enfr-allcstem4-tmnews-lmnews | 0.1991 | test havaroval | | 26.2.2010 | | + | |
- | | fren-allcstem4-tmnews-lmnews | 0.1869 | 0.2020 | | 26.2.2010 | | + | |
- | ende test havaroval, protože jsem ho pustil dřív, než doběhla extrakce gramatiky | + | musim se pochlubit, ze (az na jeste par much) mam ukazku pouziti emana pro preklad |
- | | **Pokus** | **Dev BLEU** | **Test BLEU** | **Poznámka** | **Datum** | | + | <code bash>svn co https:// |
- | | obo-base1 | + | cd statmt/ |
+ | # podivejte se na README | ||
+ | export PATH=$PATH: | ||
+ | eman init binaries | ||
+ | # to jen proto, abyste mohla potvrdit certifikat sourceforge | ||
+ | # a pak uz podle readme spustit mikropokus | ||
+ | SKIP_IRSTLM=yes eman clone --start < eman.samples/ | ||
- | ===== Ondřej ===== | + | Prikaz: |
- | Ahoj. | + | eman --man |
- | S podobnymi podminkami souhlasim, aspon se dozvime vic. | + | ukaze manualovou stranku |
- | Cili do WMT by mohl jit: | + | ==== Tvorba šablon (nové druhy kroků, seeds) ==== |
- | - muj moses | + | Jako příklad viz eman.seeds/ |
- | - Tvuj joshua | + | * BINARIES: odkaz na krok, ve kterém byly zkompilovány externí nástroje, např. SRILM. Spustitelné binární soubory leží zřejmě přímo ve složce tohoto kroku jako výstupní soubor. |
- | - TectoMT | + | * CORP: zkrácený název trénovacího korpusu. I jednotlivým korpusům odpovídají kroky, které vyrábějí či zpřístupňují dotyčné datové soubory. Na to slouží mj. nový skript '' |
+ | * CORPAUG: faktory dotyčného korpusu, které se mají použít pro trénování. | ||
+ | * ORDER: řád modelu (např. 3 pro trigram). | ||
+ | Volitelně lze nastavit i další vstupní proměnné. | ||
- | Moje augmented corpora jsou ~bojar/ | + | Konstruktor (skript '' |
- | baseline korpus je | + | Dále vytvoří soubor '' |
- | czeng092-ne | + | |
- | (alignment enNa-lemma-csNa-lemma-gdfa) | + | |
- | maximalni paralelni korpus | + | Dále vytvoří soubor '' |
- | czeng092-ne+czeng092-eu+czeng092-fi+czeng092-te+czeng092-su+czeng092-we+emea2 | + | |
- | (alignment csNm-lemma-enNm-lemma-gdfa) | + | |
- | korpusy pro LM mam zatim rozhrabane a pouzivam zejmena: | + | Teprve v přípravném režimu se také vyrobí hlavní skript '' |
- | wmt10mono2 | + | ==== Založení nového kroku podle šablony ==== |
- | pozdeji budou pouzitelne wmt09mono, webcoll | + | Použijeme příkaz '' |
- | development korpus je wmt102.test08 | + | <code bash>cd $STATMT/ |
- | test korpus je wmt102.test09 | + | SRC=en TGT=cs eman init dandata</ |
+ | ==== Korpusové kroky ==== | ||
- | Zdrojovy jazyk je pro mne enNa2+stc. | + | Některé kroky připravují části korpusů, které jsou pro experiment potřeba. Takový krok asi typicky bude přímo zasvěcen přípravě korpusu, ale není ani vyloučeno, že korpus bude vedlejším produktem jiné činnosti. Každopádně pokud je výsledkem nebo jedním z výsledků kroku korpus, je vhodné ve složce daného kroku založit soubor '' |
- | Cilovy jazyk je pro mne csN[ma]+stc (jsou identicke, ne pro kazdy korpus | + | |
- | ' | + | ==== Sestavování experimentu jako posloupnosti kroků ==== |
- | O. | + | Pokusit se alespoň zpočátku využít existující kroky pro alignment, jazkový model apod. a nekonvertovat ty svoje. Vytvořit nějakou šablonu '' |
+ | * binarizace korpusu a alignmentu | ||
+ | * extrakce gramatiky pro vývojová i testovací data (jeden, nebo dva různé kroky?); analogicky ke kroku '' | ||
+ | * volání dekodéru Joshuy ('' | ||
+ | * asi i nějaká úprava mertu, byť současný eman už samozřejmě obsahuje konfiguraci mertu pro Mosese |