[ 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 [2013/04/30 09:09]
zeman Aktualizace úkolů. 		user:zeman:wmt [2013/05/02 16:39]
zeman Co se dalo stihnout s novými trénovacími daty, už je hotové.
Line 7: Line 7:
 ===== Aktuální úkoly ===== ===== Aktuální úkoly =====
  
-  * Nová data pro rok 2013. +  * Zajistit překlad wmt2013 všemi natrénovanými modely, i těmi nad starými trénovacími daty. Jde zejména o modely, které už nemám šanci přetrénovat, např. newseuro-czeng. 
-    * Opravují se 3 jazykové modely nad news8all a dobíhá poslední tm nad news8euro (en-fr)... +  * Oprášit proceduru pro odesílání výsledků. Pokusit se ji více integrovat do Emana. 
-    * Vyrobit modely. Ale pozor, s novými DEV a TEST daty, viz níže! +  * Binarizace a prořezání jazykových modelů. Nějak prořezávat lze i paralelní trénovací data, Edinburgh loni něco takového použil a citoval.
-    * Vývojová a testovací data: +
-      * Kvůli ruštině musím pro nové pokusy (nad news8) přepnout DEV z 2010 na 2012. +
-      * Od pondělního odpoledne 29.4.2013 všechny nové pokusy testovat na wmt2013. +
-    * Inventura trénovacích dat: +
-      * Europarl je stejný jako loni, tedy verze 7. +
-      * News Commentary jsou nové a trochu větší, navíc s ruštinou, verze 8. +
-      * Newsall je nové, protože přibyl rok 2012 a ruština. +
-      * Korpus UN bude asi stejný, i když to na stránkách WMT výslovně nepíšou. Totéž gigafren. +
-      * Gigawordy používám správné (ověřeno): en 5, es 3, fr 3. +
-      * Navíc je úplně nový korpus Common Crawl (prý je ale špinavý). Ten zatím nepoužívám a do termínu už to nestihnu. +
-  * Dohnat pokusy s anglickým Gigawordem. +
-    * Pouštím 4 merty se starým newseuro: cs-en, de-en, es-en a fr-en. +
-    * Všechny překlady do angličtiny zopakovat s Gigawordem. +
-  * Pokračovat v práci na gigafren. Překladový model je natrénovaný, je potřeba vyrobit kroky model, mert, translate a evaluator. +
-    * 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 v kombinaci s newseuro (bez něj to vůbec nemá smysl). +
-    * Běží merty...+
   * 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?
   * 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.
Line 42: Line 23:
   * Pro všechny jazykové páry používat všechna dostupná data. Například velký Czeng pro češtinu, velké korpusy UN pro francouzštinu a španělštinu, gigawordy pro jazykové modely atd.   * Pro všechny jazykové páry používat všechna dostupná data. Například velký Czeng pro češtinu, velké korpusy UN pro francouzštinu a španělštinu, gigawordy pro jazykové modely atd.
   * Převést všechny pokusy pod aktuální verzi Joshuy (ale bacha, možná bude hodně jiná).   * Převést všechny pokusy pod aktuální verzi Joshuy (ale bacha, možná bude hodně jiná).
 +  * Dohnat pokusy s anglickým Gigawordem.
 +    * Merty běží (1.5.2013), ale většina těchto modelů je příliš velkých (dekodérům nestačilo 120 GB paměti), takže se budou ještě dlouho přetahovat o ''iridium'' a termín určitě nestihnou.
 +  * Pokračovat v práci na gigafren. Překladový model je natrénovaný, je potřeba vyrobit kroky model, mert, translate a evaluator.
 +    * Běží 4 obří merty... (přelom dubna a května 2013). Pokud nespadnou, budou se ještě řadu týdnů přetahovat o iridium, protože nikam jinam se nevejdou, ani jejich dekodéry ne.
 +  * Nová data pro rok 2013.
 +    * Modely s Gigawordem (zejména tím anglickým) ještě asi poběží několik týdnů, jsou příliš veliké. Ostatní je snad hotovo.
 +    * Jsou tu nicméně data, která jsem zatím nepoužil vůbec (viz níže). Výhledově se podívat i na ně. Jde zejména korpus Common Crawl a přídavná ruská data (Yandex).
 +    * Vývojová a testovací data:
 +      * Kvůli ruštině musím pro nové pokusy (nad news8) přepnout DEV z 2010 na 2012.
 +      * Od pondělního odpoledne 29.4.2013 všechny nové pokusy testovat na wmt2013.
 +    * Inventura trénovacích dat:
 +      * Europarl je stejný jako loni, tedy verze 7.
 +      * News Commentary jsou nové a trochu větší, navíc s ruštinou, verze 8.
 +      * Newsall je nové, protože přibyl rok 2012 a ruština.
 +      * Korpus UN bude asi stejný, i když to na stránkách WMT výslovně nepíšou. Totéž gigafren.
 +      * Gigawordy používám správné (ověřeno): en 5, es 3, fr 3.
 +      * Navíc je úplně nový korpus Common Crawl (prý je ale špinavý). Ten zatím nepoužívám a do termínu už to nestihnu.
  
 ===== Srovnávací testy mezi Joshuou 1.1 a 1.3: Je třeba otestovat nastavení maximální délky fráze 5 ===== ===== Srovnávací testy mezi Joshuou 1.1 a 1.3: Je třeba otestovat nastavení maximální délky fráze 5 =====

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