[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » user » zeman » wmt

Differences

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

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
Next revision Both sides next revision
user:zeman:wmt [2013/03/21 14:24]
zeman Aktualizace. 		user:zeman:wmt [2013/04/29 12:30]
zeman Zbývající pokusy s anglickým Gigawordem.
Line 7: Line 7:
 ===== Aktuální úkoly ===== ===== Aktuální úkoly =====
  
-  * Dořešit s Ondřejem, proč mu vadí to mazání nepořádku po předchozích neúspěšných pokusech v eman.seeds/eman.command. V nejhorším případě to nějak budu muset zdvojit alespoň v danmake.pl. +  * Dohnat pokusy s anglickým Gigawordem. 
-  * Znova označkovat anglický Gigaword, tentokrát Featuramou. +    * Pouštím 4 merty se starým newseuro: cs-en, de-en, es-en a fr-en. 
-  * Dokončit pokusy s korpusy un.es-en a un.fr-en. Běží merty, pak translate a evaluator. Pak kombinace un s jinými korpusy (newseuro a newsall). +    * Všechny překlady do angličtiny zopakovat s Gigawordem. 
-  * Zkontrolovat data pro rok 2013. +  * Pokračovat v práci na gigafren. Překladový model je natrénovaný, je potřeba vyrobit kroky model, mert, translate a evaluator. 
-    * Nejsou náhodou letos nové verze korpusů newseuro a newsall?+    * Běží 4 obří merty... 
 +    * Pro oba směry (en-fr a fr-en) chci překlad s Gigawordem i bez něj, tj. TM:gigafren, LM:gigafren + newsall [+ gigaword]. 
 +    * Pak chci ještě totéž, ale překladový model je kombinovaný s newseuro, případně i s un (ale un to asi moc nevylepší a bude to nezvladatelně veliké). 
 +  * Dokončit pokusy s korpusy un.es-en a un.fr-en. 
 +    * Běží merty... 
 +    * Vyrobit kombinovaný překladový model (newseuro+un). Ten byl na minulém hřišti úspěšný. 
 +    * Až bude také k dispozici jazykový model z anglického Gigawordu, pustit model, mert, translate a evaluator. 
 +  * Nová data pro rok 2013. 
 +    * Běží výroba news8all/en+stc... Kromě toho běží align+tm ještě nad několika news8euro... 
 +    * Vyrobit jazykové modely nad news8all (nad news8euro už by měly být hotové). 
 +    * Vyrobit modely. Ale pozor, s novými DEV daty, viz níže! 
 +    * Vývojová a testovací data: 
 +      * Kvůli ruštině musím pro nové pokusy (nad news8) přepnout DEV z 2010 na 2012. 
 +      * TEST 2013 mají vydat dnes, 29.4.2013. 
 +    * Inventura trénovacích dat:
       * Europarl je stejný jako loni, tedy verze 7.       * Europarl je stejný jako loni, tedy verze 7.
-      * U News Commentary to není jisté, spíš asi budou nové. +      * News Commentary jsou nové a trochu větší, navíc s ruštinou, verze 8. 
-      * Korpus UN bude asi stejný, i když to na stránkách WMT výslovně nepíšou. +      * Newsall je nové, protože přibyl rok 2012 a ruština. 
-      * Navíc je úplně nový korpus Common Crawl (prý je ale špinavý). +      * Korpus UN bude asi stejný, i když to na stránkách WMT výslovně nepíšou. Totéž gigafren. 
-      * Nové by mělo být i newsall, protože přibyl rok 2012. +      * Gigawordy používám správné (ověřeno): en 5, es 3, fr 3. 
-    * Používám správné verze Gigawordů? +      * Navíc je úplně nový korpus Common Crawl (prý je ale špinavý). Ten zatím nepoužívám a do termínu už to nestihnu.
-    * O ruštině nemluvě...+
   * Proč při překladu odkudkoliv do angličtiny to s jazykovým modelem na newsall dopadne malinko hůř než bez něj? Nemělo by to spíš dopadnout zřetelně líp? Co je s ním? Jak je velký? Jakou dostal váhu? Jak se po jeho přidání změnil výstup překladu?   * Proč při překladu odkudkoliv do angličtiny to s jazykovým modelem na newsall dopadne malinko hůř než bez něj? Nemělo by to spíš dopadnout zřetelně líp? Co je s ním? Jak je velký? Jakou dostal váhu? Jak se po jeho přidání změnil výstup překladu?
-  * Giga.fr-en: Stále ještě se vyrábí překladový model. Pokud se ale stihne vyrobit, musím z něj vyždímat nějaké výsledky. 
   * danmake.pl na rozdíl od emana nerozlišuje kroky, které jsou OUTDATED nebo FAILED. Když mu eman select pro nějakou sadu požadavků najde několik kroků, z nichž první je nějak vadný a druhý je DONE, danmake klidně použije ten první a pak se diví.   * danmake.pl na rozdíl od emana nerozlišuje kroky, které jsou OUTDATED nebo FAILED. Když mu eman select pro nějakou sadu požadavků najde několik kroků, z nichž první je nějak vadný a druhý je DONE, danmake klidně použije ten první a pak se diví.
   * Nějak tu chybí pořádná tabulka loňských výsledků. To je mám opisovat z článku na WMT?   * Nějak tu chybí pořádná tabulka loňských výsledků. To je mám opisovat z článku na WMT?
Line 191: Line 203:
 Ještě je potřeba to testovat stejným skriptem jako Ondřej, abychom použili stejnou tokenizaci a taky abychom dostali rozptyl skóre. Ještě je potřeba to testovat stejným skriptem jako Ondřej, abychom použili stejnou tokenizaci a taky abychom dostali rozptyl skóre.
  
 +===== Jak zpracovat obří korpus Treexem, třeba označkovat Gigaword? =====
 +
 +Dosud jsem používal obyčejné treex -p, kde se přesměrovává standardní výstup do nějakého souboru. Pro velké korpusy, které se zpracovávají několik dní na půlce clusteru, tohle není ten nejvhodnější způsob. Vždy je pravděpodobné, že pár strojů umře a pro pár dokumentů nám bude výstup chybět. Potom se obtížně dohledává, které dokumenty to byly a jak je opravit.
 +
 +Martin preferuje jiný způsob. Tisíce vstupních souborů leží v nějaké adresářové struktuře, někdy i vícepatrové, aby se předešlo jedné složce, která obsahuje třeba 100000 souborů. Paralelní Treex nepíše na standardní výstup, který by se beztak musel ukládat do nějakých souborů s číslovanými jmény. Místo toho Treex vytváří výstupní adresářovou strukturu, která odpovídá té vstupní, ale vedle kopií vstupních souborů tam navíc leží i ty výstupní. Snadno se pak zjistí, který výstupní soubor chybí nebo je v nepořádku a který skript se má pustit znova.
 +
 +Martinův postup lze vykoukat z ''treex/devel/en2cs/mononews/Makefile''.

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