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 [2013/01/15 11:24] zeman WMT 2013, Sofija. |
user:zeman:wmt [2013/03/19 17:43] zeman |
||
---|---|---|---|
Line 3: | Line 3: | ||
http:// | http:// | ||
http:// | http:// | ||
- | http:// | ||
< | < | ||
+ | |||
+ | ===== 19.3.2013 ===== | ||
+ | |||
+ | Dočasné poznámky o překladu | ||
+ | |||
+ | Kdysi havaroval s.mert.f2a85415.20130126-2300 (cs-en na Czengu). Havaroval někde uvnitř dekódování, | ||
+ | Jinak ještě mám ve stavu FAILED kroky translate a evaluator, které na něm závisí. | ||
+ | Kromě toho FAILED: | ||
+ | s.tag anglického Gigawordu. Víme, musíme zcela vyměnit tagger. | ||
+ | s.tm na gigafren oběma směry. Zjistit proč. | ||
+ | A to je momentálně všechno. | ||
+ | Řada jiných pokusů v lednu doběhla, takže je možná na čase osvěžit si paměť puštěním sklizně. | ||
+ | |||
+ | Sklizeň zatím zahrnuje spoustu pokusů, které se prováděly na korpusech připravených starým způsobem. To by chtělo nahradit a staré kroky s korpusy postupně vyřadit. | ||
+ | Pro některé jazykové páry zatím nemám ani jeden výsledek nad novými daty: | ||
+ | de-en | ||
+ | en-cs | ||
+ | en-de | ||
+ | en-es | ||
+ | en-fr | ||
+ | es-cs | ||
+ | es-en | ||
+ | fr-cs | ||
+ | fr-en | ||
+ | Takže to v podstatě chybí od určitého místa až do konce :-( | ||
+ | Opravdu, asi někdy havaroval danmake.pl a už nikdy jsem ho nedotlačil do cíle. Kroky s.model pro korpus newseuro existují pro všechny páry z češtiny ven a pro de-cs, dál už pro nic. Takže to je asi to první, co bych měl teď rozchodit, klidně bez Gigawordů, ale aspoň nějak. | ||
+ | |||
+ | Teď jsem pustil danmake.pl -t model -f od de-en. Některé kroky se inicializovaly, | ||
+ | U těch nespuštěných je problém v tom, že danmake jim našel jazykový model OUTDATED un korpusu. Správně by danmake měl poznat, že tento krok je mimo hru, a hledat jiný. Příslušný krok jsem teď úplně smazal, ale bude se to muset celé pustit znova (pro modely, které využívají korpus un). | ||
+ | |||
+ | Inited: s.model.5a6227c2.20130319-1704 | ||
+ | Executing: eval $(cat eman.vars) EMAN_READONLY=yes ./eman.seed >&2 | ||
+ | Step s.model.5a6227c2.20130319-1704 prepared. | ||
+ | Executing: ( qsub -C '' | ||
+ | Step s.model.5a6227c2.20130319-1704 submitted as job 7086079 | ||
+ | Cached: | ||
+ | Cached: | ||
+ | Cached: | ||
+ | Cached: | ||
+ | [19.3.2013 17:04:38] Executing: ( eman select t model v TMS=s.tm.039cb3b2.20120806-1258 v LMS=" | ||
+ | [19.3.2013 17:04:41] Executing: GRIDFLAGS=" | ||
+ | Executing: INIT_ONLY=yes | ||
+ | Inited: s.mert.d3fcee87.20130319-1704 | ||
+ | Executing: eval $(cat eman.vars) EMAN_READONLY=yes ./eman.seed >&2 | ||
+ | Checking tuning corp size | ||
+ | Step s.mert.d3fcee87.20130319-1704 prepared. | ||
+ | Executing: ( qsub -C '' | ||
+ | Step s.mert.d3fcee87.20130319-1704 submitted as job 7086081 | ||
+ | Cached: | ||
+ | Cached: | ||
+ | Cached: | ||
+ | Cached: | ||
+ | Cached: | ||
+ | [19.3.2013 17:04:48] Executing: ( eman select t mert v MODELSTEP=s.model.5a6227c2.20130319-1704 ) > safeticks.500/ | ||
+ | No mert step found for v MODELSTEP=s.model.5a6227c2.20130319-1704 at ./ | ||
+ | |||
===== Aktuální úkoly ===== | ===== Aktuální úkoly ===== | ||
* Data pro rok 2013 budou zveřejněna v lednu! | * Data pro rok 2013 budou zveřejněna v lednu! | ||
+ | * Nějak tu chybí pořádná tabulka loňských výsledků. To je mám opisovat z& | ||
+ | * Jazykové modely gigaword/ | ||
+ | * Velká paralelní data un, gigafren, czeng | ||
* Rozpracované: | * Rozpracované: | ||
* Ještě by to chtělo zopakovat celý proces se značkováním korpusů OSN. Nejdřív se ale pokusím nechat alespoň jednou doběhnout současnou verzi. Původní korpus se nechtěl nechat označkovat a zdá se, že problém by mohl být v tom, že některé věty jsou příliš dlouhé. Pustil jsem tedy nejdřív čištění (pouze věty délky 1 až 99 slov), ale kvůli nějaké chybě má označkovaný korpus stejně původní počet vět. Zdá se, že poslední dávku jsem omylem nakopíroval tolikrát, abych se dostal na původní počet řádků. Mělo by to ale být striktně paralelní, takže by to výsledek snad nemuselo nějak zásadně poškodit. | * Ještě by to chtělo zopakovat celý proces se značkováním korpusů OSN. Nejdřív se ale pokusím nechat alespoň jednou doběhnout současnou verzi. Původní korpus se nechtěl nechat označkovat a zdá se, že problém by mohl být v tom, že některé věty jsou příliš dlouhé. Pustil jsem tedy nejdřív čištění (pouze věty délky 1 až 99 slov), ale kvůli nějaké chybě má označkovaný korpus stejně původní počet vět. Zdá se, že poslední dávku jsem omylem nakopíroval tolikrát, abych se dostal na původní počet řádků. Mělo by to ale být striktně paralelní, takže by to výsledek snad nemuselo nějak zásadně poškodit. | ||
Line 14: | Line 72: | ||
* Použít stejná data jako on nebo lepší (to znamená přinejmenším celý Czeng a velká jednojazyčná data; Ondra ale prý vynechal Europarl, ten já vynechat nechci). | * Použít stejná data jako on nebo lepší (to znamená přinejmenším celý Czeng a velká jednojazyčná data; Ondra ale prý vynechal Europarl, ten já vynechat nechci). | ||
* Natrénovat stejné modely jako on. Přinejmenším mi zatím chybí lexical reordering model. Ondra navíc prováděl ještě nějaké čachry se značkami (jazykový model na morfologických značkách). | * Natrénovat stejné modely jako on. Přinejmenším mi zatím chybí lexical reordering model. Ondra navíc prováděl ještě nějaké čachry se značkami (jazykový model na morfologických značkách). | ||
- | * Všechny přípravy korpusů a zarovnání zopakovat i pod Emanem. | ||
* Srovnat supervised truecasing, který používám teď, s něčím méně sofistikovaným. Nezmenšovat první písmeno slova uprostřed věty jen proto, že moje lematizace nezná dané slovo jako vlastní jméno (např. " | * Srovnat supervised truecasing, který používám teď, s něčím méně sofistikovaným. Nezmenšovat první písmeno slova uprostřed věty jen proto, že moje lematizace nezná dané slovo jako vlastní jméno (např. " | ||
* Prohnat všechna data Morfessorem a vyhodnotit překlad s ním. | * Prohnat všechna data Morfessorem a vyhodnotit překlad s ním. | ||
Line 117: | Line 174: | ||
Sloupec Moses je první odpovídající pokus s& | Sloupec Moses je první odpovídající pokus s& | ||
- | ^ Jazyky ^ v6 ^ v6b-tr ^ v6b ^ v7 ^ wmt12 ^ Moses ^ | + | ^ Jazyky ^ v6 ^ v6b-tr ^ v6b ^ v7 ^ wmt12 ^ Moses ^ +NewsAll ^ +Gigaword ^ Czeng ^ |
| en-cs | 0.1191 | 0.1246 | 0.1257 | 0.1299 | 0.1161 | 11.96±0.50 | | | en-cs | 0.1191 | 0.1246 | 0.1257 | 0.1299 | 0.1161 | 11.96±0.50 | | ||
- | | cs-en | 0.1692 | 0.1792 | 0.1801 | 0.1814 | 0.1661 | 17.96±0.50 | | + | | cs-en | 0.1692 | 0.1792 | 0.1801 | 0.1814 | 0.1661 | 17.96±0.50 |
| en-de | 0.1337 | 0.1274 | 0.1334 | 0.1350 | 0.1359 | 14.26±0.52 | | | en-de | 0.1337 | 0.1274 | 0.1334 | 0.1350 | 0.1359 | 14.26±0.52 | | ||
| de-en | 0.1885 | 0.1859 | 0.1896 | 0.1915 | 0.1880 | 18.77±0.53 | | | de-en | 0.1885 | 0.1859 | 0.1896 | 0.1915 | 0.1880 | 18.77±0.53 | | ||
Line 126: | Line 183: | ||
| en-fr | 0.2591 | 0.2619 | 0.2526 | 0.2729 | 0.2572 | 25.99±0.63 | | | en-fr | 0.2591 | 0.2619 | 0.2526 | 0.2729 | 0.2572 | 25.99±0.63 | | ||
| fr-en | 0.2243 | 0.2285 | 0.2384 | 0.2448 | 0.2391 | 24.59±0.68 | | | fr-en | 0.2243 | 0.2285 | 0.2384 | 0.2448 | 0.2391 | 24.59±0.68 | | ||
- | | cs-de | | | | | 0.1304 | 13.65±0.54 | | + | | cs-de | | | | | 0.1304 | 13.65±0.54 |
| de-cs | | | | | 0.1186 | 12.12±0.52 | | | de-cs | | | | | 0.1186 | 12.12±0.52 | | ||
- | | cs-es | | | | | 0.1848 | 19.52±0.52 | | + | | cs-es | | | | | 0.1848 | 19.52±0.52 |
| es-cs | | | | | 0.1220 | 12.81±0.54 | | | es-cs | | | | | 0.1220 | 12.81±0.54 | | ||
- | | cs-fr | | | | | 0.1822 | 19.53±0.55 | | + | | cs-fr | | | | | 0.1822 | 19.53±0.55 |
| fr-cs | | | | | 0.1175 | 12.53±0.57 | | | fr-cs | | | | | 0.1175 | 12.53±0.57 | | ||