[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

• ÚFAL Wiki Home
• ÚFAL Home
• Sitemap
• RSS
• ÚFAL calendar
• Recent changes
• Login
• Hledat:

[ Back to the navigation ]

Differences

This shows you the differences between two versions of the page.

View differences: Side by SideInline Go

Link to this comparison view

Both sides previous revision Previous revision 2012/02/27 16:02 zeman Problémy se značkováním korpusů OSN.2012/02/27 15:55 zeman Aktualizace úkolů.2012/02/27 14:58 zeman Doběhlo en-es a en-fr v7.2012/02/27 14:21 zeman Doběhlo fr-en v7.2012/02/27 13:44 zeman Doběhlo es-en v7.2012/02/27 12:28 zeman Aktualizace aktuálních úkolů.2012/02/09 21:10 zeman Doběhlo de-en v7.2012/02/09 16:21 zeman Doběhlo en-de v7.2012/02/07 22:00 zeman Doběhlo en-cs v7.2012/02/07 14:47 zeman Doběhlo cs-en v7.2012/02/07 09:49 zeman BLEU.2012/02/07 09:48 zeman Aktualizace úkolů: uvozovky jsou hotové.2012/02/05 14:27 zeman Výsledky pokusů s uvozovkami včetně úpravy testovacích dat.2012/02/04 23:41 zeman Jak označkovat newstest.2012/02/04 18:24 zeman Jiná dev data?2012/02/04 18:23 zeman Aktuální úkoly.2012/02/04 18:16 zeman Čeština s němčinou, španělštinou a francouzštinou.2012/02/04 17:25 zeman Odkaz na WMT 2012.2012/02/04 17:21 zeman Úklid uvozovek.2012/02/04 16:53 zeman Uvozovky i na testovací data.2012/02/04 16:34 zeman Úklid.2012/02/03 18:15 zeman Poznámky o Ondrových datech a o pokusech s Emanem.2012/02/02 10:05 zeman fr-en s uvozovkami.2012/02/01 14:22 zeman Nový úkol: nová data.2012/02/01 10:02 zeman en-fr doběhlo, fr-en nějak havarovalo.2012/01/29 22:33 zeman Záznam o tom, jak se v datech upravují uvozovky.2012/01/29 22:18 zeman obo-max-test20112012/01/26 09:11 zeman Odstraněny zastaralé výsledky s výjimkou neobvyklých jazykových párů (čeština-neangličtina).2012/01/26 09:03 zeman Ladí se na newstest2008.2012/01/26 09:01 zeman obo-max2012/01/26 08:44 zeman Doběhly uvozovky en-es.2012/01/25 22:50 zeman Odstraněny zastaralé poznámky o časové náročnosti.2012/01/25 22:49 zeman obo-max2012/01/25 21:09 zeman obo-max doběhlo.2012/01/25 11:57 zeman obo-max3 doběhlo.2012/01/25 11:45 zeman Další uvozovky doběhly potřetí, snad už se správným alignmentem.2012/01/25 07:17 zeman Druhý běh francouzštiny konečně hotov.2012/01/24 22:07 zeman 2012/01/24 13:57 zeman fr-en s uvozovkami.2012/01/24 13:56 zeman U uvozovkových pokusů bude nutný třetí běh.2012/01/23 19:07 zeman ende uvozovky2012/01/23 08:28 zeman Kontrolní běh uvozovek, čeština už je hotová.2012/01/22 21:25 zeman Předběžné výsledky prvních pokusů s uvozovkami.2012/01/22 21:17 zeman Paralelizovaná Giza už mi funguje.2012/01/22 21:03 zeman obo-max-final2012/01/22 11:11 zeman obo-max32012/01/21 21:35 zeman Jiné augmented_corpora.2012/01/21 18:57 zeman wmt/experiments/en-cs/josh11/obo-max2012/01/19 21:33 zeman Pokusy s uvozovkami.2012/01/19 21:28 zeman Inventurní výsledky.2012/01/19 08:40 zeman Eman odstěhován. Go Next revision		Previous revision 2012/02/27 16:02 zeman Problémy se značkováním korpusů OSN.2012/02/27 15:55 zeman Aktualizace úkolů.2012/02/27 14:58 zeman Doběhlo en-es a en-fr v7.2012/02/27 14:21 zeman Doběhlo fr-en v7.2012/02/27 13:44 zeman Doběhlo es-en v7.2012/02/27 12:28 zeman Aktualizace aktuálních úkolů.2012/02/09 21:10 zeman Doběhlo de-en v7.2012/02/09 16:21 zeman Doběhlo en-de v7.2012/02/07 22:00 zeman Doběhlo en-cs v7.2012/02/07 14:47 zeman Doběhlo cs-en v7.2012/02/07 09:49 zeman BLEU.2012/02/07 09:48 zeman Aktualizace úkolů: uvozovky jsou hotové.2012/02/05 14:27 zeman Výsledky pokusů s uvozovkami včetně úpravy testovacích dat.2012/02/04 23:41 zeman Jak označkovat newstest.2012/02/04 18:24 zeman Jiná dev data?2012/02/04 18:23 zeman Aktuální úkoly.2012/02/04 18:16 zeman Čeština s němčinou, španělštinou a francouzštinou.2012/02/04 17:25 zeman Odkaz na WMT 2012.2012/02/04 17:21 zeman Úklid uvozovek.2012/02/04 16:53 zeman Uvozovky i na testovací data.2012/02/04 16:34 zeman Úklid.2012/02/03 18:15 zeman Poznámky o Ondrových datech a o pokusech s Emanem.2012/02/02 10:05 zeman fr-en s uvozovkami.2012/02/01 14:22 zeman Nový úkol: nová data.2012/02/01 10:02 zeman en-fr doběhlo, fr-en nějak havarovalo.2012/01/29 22:33 zeman Záznam o tom, jak se v datech upravují uvozovky.2012/01/29 22:18 zeman obo-max-test20112012/01/26 09:11 zeman Odstraněny zastaralé výsledky s výjimkou neobvyklých jazykových párů (čeština-neangličtina).2012/01/26 09:03 zeman Ladí se na newstest2008.2012/01/26 09:01 zeman obo-max2012/01/26 08:44 zeman Doběhly uvozovky en-es.2012/01/25 22:50 zeman Odstraněny zastaralé poznámky o časové náročnosti.2012/01/25 22:49 zeman obo-max2012/01/25 21:09 zeman obo-max doběhlo.2012/01/25 11:57 zeman obo-max3 doběhlo.2012/01/25 11:45 zeman Další uvozovky doběhly potřetí, snad už se správným alignmentem.2012/01/25 07:17 zeman Druhý běh francouzštiny konečně hotov.2012/01/24 22:07 zeman 2012/01/24 13:57 zeman fr-en s uvozovkami.2012/01/24 13:56 zeman U uvozovkových pokusů bude nutný třetí běh.2012/01/23 19:07 zeman ende uvozovky2012/01/23 08:28 zeman Kontrolní běh uvozovek, čeština už je hotová.2012/01/22 21:25 zeman Předběžné výsledky prvních pokusů s uvozovkami.2012/01/22 21:17 zeman Paralelizovaná Giza už mi funguje.2012/01/22 21:03 zeman obo-max-final2012/01/22 11:11 zeman obo-max32012/01/21 21:35 zeman Jiné augmented_corpora.2012/01/21 18:57 zeman wmt/experiments/en-cs/josh11/obo-max2012/01/19 21:33 zeman Pokusy s uvozovkami.2012/01/19 21:28 zeman Inventurní výsledky.2012/01/19 08:40 zeman Eman odstěhován. Go Next revision Both sides next revision
user:zeman:wmt [2012/01/22 11:11] zeman obo-max3		user:zeman:wmt [2012/01/29 22:33] zeman Záznam o tom, jak se v datech upravují uvozovky.
Line 17:		Line 17:
	* 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.		* 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.
-	===== Srovnávací testy mezi Joshuou 1.1 a 1.3 =====	+	===== Srovnávací testy mezi Joshuou 1.1 a 1.3: Je třeba otestovat nastavení maximální délky fráze 5 =====
-		+
-	21.1.2012 se vracím k pokusu ''wmt/experiments/en-cs/josh11/obo-max''. Pustím ho znova. Starý ''test.log'', který jsem v něm našel, má BLEU = 0.1300 a datum 8.3.2010. Jeho kopie korpusu zabírá 3 GB, překladový model zabírá 5 GB. Ale jeho současný skript ''setexp.pl'' odkazuje na složku s Joshuou 1.3, nikoli 1.1, jak by se zdálo z ''josh11'' v cestě! Dnešní verze ''joshua.pl'' si zase stěžuje, že tu není skript ''aligntest.pl''. Pustím tedy ''resetex'' a aktualizuju rovnou všechno. Pozor! Tento pokus využívá Ondrovy ''augmented_corpora'' (''/home/bojar/diplomka/granty/emplus/wmt10/playground/augmented_corpora''). V mých vlastních možná ani nejsou k dispozici zdrojové korpusy. Kromě toho by to mohlo mít i tu výhodu, že Ondrovy věci leží někde na merkuru, kde možná nemám kvótu na místo na disku.	+
-		+
-	22.1.2012 obdobně pouštím také ''obo-max3''. Zkoušel jsem diff na ''setexp.pl'' u ''obo-max'' a ''obo-max3''. Kromě odkazu na jiný Makefile pro ''augment.pl'', který jsem u ''obo-max'' včera opravoval, se liší pouze v jedné další věci, a to je testovací soubor: u ''obo-max'' je to wmt102.test09, u ''obo-max3'' je to wmt102.test10.	+
-		+
-	==== Staré záznamy ====	+
	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?		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-max =====
-	| 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), ale zdá se, že jsem zapomněl dekodéru říct, že teď to bude šestigram. Tak to pouštím znova. | 5.3.2010 |	+
-	| 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 Joshuou 1.1. Začínám s Czengem 092-ne, alignment a překlad z ''enNa2+stc'' do ''csN[ma]+stc'', jak je napsáno výše, trigramový LM jen na jeho cílové straně. Až na ten jazykový model by to mělo odpovídat některému obo-base pokusu z února nebo března.	+	Nejúspěšnější nastavení z roku 2010 (více méně recyklované v roce 2011) bylo ''obo-max'', nyní přejmenované na ''obo-max-test2009'', a ''obo-max3'', nyní přejmenované na ''obo-max-test2010''. Oba tyto pokusy nyní používají Joshuu 1.3 (stará skóre byla naměřena s Joshuou 1.1 a jinými skripty). Oba používají Ondřejova velká data, tj. 7 miliónů párů vět z Czengu 0.92 na trénování, 13 miliónů českých vět (210 miliónů slov) pro český jazykový model (hexagram), nějaké tokenizační a technické úpravy (jazyky csNm a enNa2). Oba využívají Ondrovy ''augmented_corpora'' (''/home/bojar/diplomka/granty/emplus/wmt10/playground/augmented_corpora''). V mých vlastních možná ani nejsou k dispozici zdrojové korpusy. Testovací korpus má u Ondry název ''wmt102.test09'', resp. ''wmt102.test10''. V obou případech ladím váhy na ''wmt102.test08''.
-	| **Pokus** | **Dev WMT08** | **Test WMT09** | **Test WMT10** | **Poznámka** | **Datum** |	+	Vytvořil jsem ještě i analogické ''obo-max-test2011'', ale zatím to má háček. Ondrovy ''augmented_corpora'' neobsahují ''newstest2011''. Takže jsem se vyhnul pouštění ''prepare.pl'', přeplácnul jsem svou kopii testovacích souborů svou kopií ''newstest2011'', což navíc neprošlo stejnou úpravou jako ostatní Ondrova data (není to tedy ve skutečnosti jazyk csNm, resp. enNa2, ale obyčejné moje cs a en; byť jsem je přejmenoval, aby to fungovalo).
-	| encs:tmtrain-czeng092ne-lmtrain-czeng092ne-lm3 | 0.1053 | 0.0962 | | Ondrovo párování na lematech, trigram LM pouze z cílové strany paralelního korpusu. | 29.8.2010 |	+
-	| encs:tmtrain-czeng092ne-lmtrain-wmt10mono2-lm3 | 0.1266 | 0.1150 | | Jako předchozí, ale LM trigram na ''wmt10mono2''. | 29.8.2010 |	+	^ Výsledek ^ Test 2009 ^ Test 2010 ^ Test 2011 ^
-	| encs:tmtrain-czeng092ne-lmtrain-wmt10mono2-lm4 | 0.1278 | 0.1198 | | Jako předchozí, ale LM je tetragram. | 29.8.2010 |	+	| Starý (Joshua 1.1)           | 0.1300 | 0.1402 | |
-	| encs:tmtrain-czeng092ne-lmtrain-wmt10mono2-lm5 | 0.1286 | 0.1179 | | Jako předchozí, ale LM je pentagram. | 29.8.2010 |	+	| Nový (25.1.2012, Joshua 1.3) | 0.1381 | 0.1477 | 0.1452 |
-	| encs:tmtrain-czeng092ne-lmtrain-wmt10mono2-lm6 | 0.1299 | 0.1176 | | Jako předchozí, ale LM je hexagram. | 29.8.2010 |	+
-	| encs:tmtrain-czengemea-lmtrain-wmt10mono2-lm3 | 0.1399 | 0.1346 | | Velký paralelní korpus (Czeng+Emea). | 6.9.2010 |	+
-	| encs:tmtrain-czengemea-lmtrain-wmt10mono2-lm4 | 0.1425 | 0.1372 | | Jako předchozí, ale LM je tetragram. | 6.9.2010 |	+
-	| encs:tmtrain-czengemea-lmtrain-wmt10mono2-lm5 | 0.1437 | 0.1368 | | Jako předchozí, ale LM je pentagram. | 6.9.2010 |	+
-	| encs:tmtrain-czengemea-lmtrain-wmt10mono2-lm6 | 0.1435 | 0.1368 | | Jako předchozí, ale LM je hexagram. | 7.9.2010 |	+
	===== Data =====		===== Data =====
Line 69:		Line 53:
	Testovací data by měl mít stejná jako já, tj. ''wmt102.test08'' pro MERT a ''wmt102.test09'' pro testování.		Testovací data by měl mít stejná jako já, tj. ''wmt102.test08'' pro MERT a ''wmt102.test09'' pro testování.
-
-	===== Náročnost =====
-
-	==== obo-max ====
-
-	Binarizace ve verzi 1.3 zahrnuje počítání tabulky lexikálních pravděpodobností a trvá asi 1:20 hodiny. Paměťová náročnost: až do počítání lexikálních pravděpodobností včetně vystačil s 9,8 GB. Pak se ale pustil do předpočítávání indexů nejčastějších frází a s pamětí vyletěl na 22 GB, což je strop, který jsem mu dal, takže je otázka, jestli by nedokázal využít i větší množství paměti. Podle Lanova vyjádření by mohl být problém s větami o 100 a více slovech, proto jsem z korpusu takové věty odstranil. Můj čistící skript vybral z 7 544 465 řádků 7 543 152 takových, které měly 1-99 tokenů.
-
-	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!
	===== Výsledky =====		===== Výsledky =====
Line 83:		Line 59:
	| **Pokus** | **Dev WMT08** | **Test WMT09** | **Test WMT10** | **Poznámka** | **Datum** |		| **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 "the". Jinak je tento běh identický s encs-josh13. | 10.3.2010 |
	| decs-josh13 | 0.0935 | 0.0886 | | | 15.3.2010 |		| decs-josh13 | 0.0935 | 0.0886 | | | 15.3.2010 |
	| escs-josh13 | 0.0922 | 0.0872 | | | 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 |		| 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 |
	===== Pokusy s uvozovkami =====		===== Pokusy s uvozovkami =====
Line 121:		Line 72:
	Podle časových značek u korpusů v ''augmented_corpora'' se zdá, že poslední "v6b" jsem vytvořil 21.4.2011. Vypadá to, že mám news-commentary+europarl ve verzi v6b pro všechny čtyři jazykové páry (cs-en, de-en, es-en, fr-en).		Podle časových značek u korpusů v ''augmented_corpora'' se zdá, že poslední "v6b" jsem vytvořil 21.4.2011. Vypadá to, že mám news-commentary+europarl ve verzi v6b pro všechny čtyři jazykové páry (cs-en, de-en, es-en, fr-en).
-	===== Infrastruktura a zarovnání =====	+	UPDATE: Tohle jsem k uvozovkám našel v textovém souboru s průběžnými výsledky z loňského WMT (Makefilem se tam primárně myslí Makefile dat pro WMT, tedy ''/net/work/people/zeman/wmt/Makefile''):
		+
		+
		+	---------------------------------------
		+	Mám k dispozici trénovací data s opravenými uvozovkami, zatím jen pro angličtinu se španělštinou.
		+	Potřebuju je označkovat, abych mohl pouštět experimenty s faktory lemma a stc.
		+	cd /net/work/people/zeman/wmt
		+	# Přidat do Makefile nově upravené korpusy mající v názvu ".v6b.", např.:
		+	EUROPARL = $(foreach pair,es-en/es es-en/en,europarl-v6b.$(pair))
		+	NEWSCOMM = $(foreach pair,es-en/es es-en/en,news-commentary-v6b.$(pair))
		+	# Ale pozor! Jestliže už jsme předtím zpracovali jiný jazykový pár, musíme ho z Makefile alespoň dočasně vyhodit!
		+	# Jinak si novým zkopírováním zdrojových korpusů přepíšeme případnou označkovanou verzi korpusu!
		+	make corpus CORPUS=europarl-v6b.fr-en LANGUAGE=fr
		+	# Teď použijeme TectoMT a cluster k označkování nových korpusů.
		+	cd /net/work/people/zeman/tectomt/applications/reordering/actag
		+	nohup nice make CORPUS=europarl-v6b.fr-en LANGUAGE=fr >& make-euro-fren-fr.log &
		+	nohup nice make CORPUS=europarl-v6b.fr-en LANGUAGE=en >& make-euro-fren-en.log &
		+	nohup nice make CORPUS=news-commentary-v6b.fr-en LANGUAGE=fr >& make-news-fren-fr.log &
		+	nohup nice make CORPUS=news-commentary-v6b.fr-en LANGUAGE=en >& make-news-fren-en.log &
		+	# No a nyní již můžeme naklonovat nové pokusy.
		+	# I když můžeme naklonovat oba směry (např. "fren" a "enfr") těsně po sobě, se spuštěním druhého směru by to chtělo počkat kvůli zámkům a vzájemnému nepřetahování se o práci, až než u prvního směru doběhne fáze "prepare".
		+	$STATMT/joshua-scripts/clonex.pl fren-stc-allemma-tmnews+parl-lmnews+parl-lm6-test2011 fren-stc-allemma-tmv6b-lmv6b-lm6-test2011
		+	cd fren-stc-allemma-tmv6b-lmv6b-lm6-test2011
		+	$STATMT/joshua-scripts/resetex_scripts.pl
		+	vi scripts/setexp.pl
		+	$ac_tmtrain     = 'news-commentary-v6b.fr-en+europarl-v6b.fr-en';
		+
		+	Výsledky:
		+	Skóre "dříve" znamená před úpravou trénovacích dat, tedy -stc-allemma-tmnews+parl-lmnews+parl-lm6-test2011.
		+	Skóre "nyní" znamená po úpravě trénovacích dat, tedy -stc-allemma-tmv6b-lmv6b-lm6-test2011.
		+	Vylaďovací ani testovací data zatím nijak upravována nebyla.
		+	Jejich úpravu bychom ale měli taky otestovat, protože např. teď obsahují samé ASCII uvozovky, které jsou pro Joshuu neznámým tokenem.
		+
		+	es-en: dříve 0.2452, nyní 0.2428
		+	en-es: dříve 0.2590, nyní 0.2542
-	Kromě toho jsem někdy v roce 2011 zkoušel předělat Joshuovy skripty, které pouštěly Gizu, aby mohly obě půlky běžet paralelně. Obávám se, že to zůstalo rozvrtané a nefunkční.
	===== Inventura 16.1.2012 =====		===== Inventura 16.1.2012 =====
Line 138:		Line 122:
	| en-es | 0.2573 |		| en-es | 0.2573 |
	| es-en | 0.2446 |		| es-en | 0.2446 |
-	| en-fr | |	+	| en-fr | 0.2591 |
	| fr-en | 0.2243 |		| fr-en | 0.2243 |
Line 144:		Line 128:
	''$SRC$TGT-stc-allemma-tmv6b-lmv6b-lm6-test2011''		''$SRC$TGT-stc-allemma-tmv6b-lmv6b-lm6-test2011''
		+
		+	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).
		+
		+	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 pro češtinu, němčinu a španělštinu, později pustím i francouzštinu, až i u ní skončí druhý běh).
		+
		+	^ 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 | |
		+

---

[ Back to the navigation ] [ Back to the content ]