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 17:03] zeman Pro encs-final už taky běží extract-t.pl. |
user:zeman:wmt [2012/01/26 09:11] zeman Odstraněny zastaralé výsledky s výjimkou neobvyklých jazykových párů (čeština-neangličtina). |
||
|---|---|---|---|
| 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 ===== | ||
| - | * Přeložit ostrá testovací data všeho kromě '' | + | * Udělat pořádek v záznamech. |
| - | * Přeložit ostrá testovací data '' | + | |
| - | * Pustit test obo-base2 | + | * Převést všechny pokusy pod aktuální verzi Joshuy. |
| - | * Paralelizovat extrakci gramatiky, abych měl šanci se jí u obo-max někdy dočkat. | + | |
| + | * 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 | + | ===== Srovnávací testy mezi Joshuou 1.1 a 1.3: Je třeba otestovat nastavení maximální délky fráze 5 ===== |
| - | Vývojová data ('' | + | 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? |
| - | ===== Náročnost | + | ===== obo-max |
| - | ==== obo-base1 ==== | + | Nejúspěšnější nastavení z& |
| - | První pokus s Ondřejovými daty 3.3.2010, ale jen trigramový jazykový model. Proběhlo celkem bez potíží. | + | ^ Výsledek ^ Test 2009 ^ Test 2010 ^ |
| + | | Starý (Joshua 1.1) | 0.1300 | 0.1402 | | ||
| + | | Nový (25.1.2012, Joshua 1.3) | 0.1381 | 0.1477 | | ||
| - | ==== obo-base2 ==== | + | 22.1.2012 '' |
| - | Snažím se vyrobit větší jazykové modely. Zatím (5.3.2010 dopoledne) doběhl čtyřgram, běží pentagram. | + | Výhledově chci pustit analogické '' |
| - | Trénování 4gramového jazykového modelu trvalo půl hodiny a spotřebovalo něco mezi 10 a 15 GB. Trénování pentagramu trvalo asi 40 minut a spotřebovalo něco přes 18 GB. Hexagram trval hodinu a spotřeboval nejméně 23 GB (to byl poslední údaj, který jsem viděl, než jsem odešel). | + | ===== Data ===== |
| - | ==== obo-base3 ==== | + | Vývojová data ('' |
| - | Klon obo-base2. Používám | + | ==== Ondřejova data ==== |
| - | ==== obo-max ==== | + | Ondřejovy augmented corpora se nacházejí v& |
| - | + | ||
| - | Binarizace ve verzi 1.3 zahrnuje počítání tabulky lexikálních pravděpodobností | + | |
| - | + | ||
| - | Extrakce gramatiky nabíhala přes 20 minut, vyčerpala 11 GB. Teď už běží vlastní extrakce, ale je hodně pomalá, jedna věta trvá třeba i 10 minut. Průměrný čas je zatím 3 minuty na 1 větu, takže 2500 vět by trvalo 5 dní. Paměť stoupla zatím na 15 GB. Chtělo by to paralelizovat minimálně na 20 procesů! | + | |
| + | Vysvětlení Ondrových pseudojazyků: | ||
| + | * Znaky za '' | ||
| + | * '' | ||
| + | * '' | ||
| + | * '' | ||
| + | * '' | ||
| + | * '' | ||
| + | * '' | ||
| + | Ondřejův maximální paralelní korpus navíc obsahuje další části Czengu a korpus Emea: '' | ||
| + | Pro český jazykový model chtěl Ondřej později ještě přidat korpusy '' | ||
| + | Testovací data by měl mít stejná jako já, tj. '' | ||
| ===== 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 BLEU** | **Test BLEU** | **Poznámka** | **Datum** | | + | |
| - | | 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 pro testovací data. enfr ale padá i poté, a to proto, že některým částem (15 a 18) nestačí paměť. | + | |
| - | + | ||
| - | | **Pokus** | **Dev BLEU** | **Test BLEU** | **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 | + | |
| - | | obo-base3 (encs) | 0.1103 | 0.1012 | Opravný pokus, tentokrát už dekodér snad ví, že máme šestigram. | 5.3.2010 | | + | |
| - | + | ||
| - | ===== Ondřej ===== | + | |
| - | Ahoj. | + | | **Pokus** | **Dev WMT08** | **Test WMT09** | **Test WMT10** | **Poznámka** | **Datum** | |
| + | | 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 | | ||
| - | S podobnymi podminkami souhlasim, aspon se dozvime vic. | + | ===== Pokusy s uvozovkami ===== |
| - | Cili do WMT by mohl jit: | + | Na začátku léta 2011 jsem se pokoušel poloautomaticky opravit a sjednotit uvozovky ve všech jazycích |
| - | - muj moses | + | '' |
| - | - Tvuj joshua | + | a co historie loňských commitů? |
| - | - TectoMT | + | |
| - | Moje augmented corpora jsou ~bojar/ | + | Podle časových značek u korpusů v '' |
| - | baseline korpus je | + | ===== Inventura 16.1.2012 ===== |
| - | czeng092-ne | + | |
| - | (alignment enNa-lemma-csNa-lemma-gdfa) | + | |
| - | maximalni paralelni korpus je | + | 16.1.2012 21:12: Pouštím znova pokus '' |
| - | 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: | + | Nový průběh všech osmi starých pokusů (supervised truecasing, žádná normalizace uvozovek, nové je na nich paralelní počítání alignmentu, ale výsledek by měl být identický – nekontroloval jsem): '' |
| - | wmt10mono2 | + | ^ Jazyky ^ BLEU ^ |
| + | | en-cs | 0.1191 | | ||
| + | | cs-en | 0.1692 | | ||
| + | | en-de | 0.1337 | | ||
| + | | de-en | 0.1885 | | ||
| + | | en-es | 0.2573 | | ||
| + | | es-en | 0.2446 | | ||
| + | | en-fr | 0.2591 | | ||
| + | | fr-en | 0.2243 | | ||
| - | pozdeji budou pouzitelne wmt09mono, webcoll | + | Od jara mám vytvořené také pokusy s korpusy, ve kterých jsou upravené uvozovky (verze 6b), takže je teď taky pustím. Je to spíš na oprášení starého kódu, ale bude se to muset pustit ještě jednou, protože momentálně se uvozovky opravují pouze v trénovacích datech, ale ne ve vývojových |
| - | development korpus je wmt102.test08 | + | '' |
| - | test korpus je wmt102.test09 | + | |
| + | První výsledky jsou zatím bez záruky, protože v průběhu Gizy jsem narazil na kvótu. Procesy sice nespadly, ale nejsem si jistý, co prováděly těch několik hodin, kdy nemohly psát na disk. Takže raději pustit ještě jednou (ostatně jeden z nich dokonce nedoběhl). | ||
| - | Zdrojovy jazyk je pro mne enNa2+stc. | + | 24.1.2012 už mám i skoro všechny kontrolní výsledky druhého běhu, ale mezitím jsem zjistil chybu v počítání alignmentu, takže pouštím potřetí (zatím šest pokusů |
| - | Cilovy jazyk je pro mne csN[ma]+stc (jsou identicke, ne pro kazdy korpus mam vyrobeno vsechno) | + | |
| - | ' | + | ^ Jazyky ^ BLEU ^ Kontrolní běh ^ Třetí běh ^ |
| + | | en-cs | FAILED | 0.1267 | 0.1246 | | ||
| + | | cs-en | 0.1748 | 0.1748 | 0.1792 | | ||
| + | | en-de | 0.1268 | 0.1268 | 0.1274 | | ||
| + | | de-en | 0.1869 | 0.1869 | 0.1859 | | ||
| + | | en-es | 0.2542 | 0.2542 | 0.2531 | | ||
| + | | es-en | 0.2428 | FAILED | 0.2375 | | ||
| + | | en-fr | 0.2586 | 0.2628 | | | ||
| + | | fr-en | 0.2294 | 0.2294 | | | ||
| - | O. | ||