Differences

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

--- user:zeman:wmt [2013/04/29 11:19]
zeman Inventura dat.
+++ user:zeman:wmt [2013/06/11 18:46] (current)
zeman Appraise.
@@ Line 3: / Line 3: @@
 http://matrix.statmt.org/
 http://www.statmt.org/wmt13/translation-task.html
+http://www.dfki.de/appraise/wmt13/
 <code>/net/work/people/zeman/wmt</code>
 ===== Aktuální úkoly =====
-  * Dohnat pokusy s anglickým Gigawordem.
+  * Binarizace a prořezání jazykových modelů. Nějak prořezávat lze i paralelní trénovací data, Edinburgh loni něco takového použil a citoval.
-    * Všechny překlady do angličtiny zopakovat s Gigawordem.
+  * Proč mi letos vyšly tak špatně jazykové páry s češtinou bez angličtiny? Udělal jsem nějakou chybu při vyrábění průniku trénovacích dat? Jsou menší nebo špatně spárovaná?
-  * Pokračovat v práci na gigafren. Překladový model je natrénovaný, je potřeba vyrobit kroky model, mert, translate a evaluator.
+  * Proč při překladu odkudkoliv do angličtiny to s jazykovým modelem na newsall (tj. starý, nevím jak je to s&nbsp;novým news8all) 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?
-    * 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.
-      * 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.
-  * 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.
   * Nějak tu chybí pořádná tabulka loňských výsledků. To je mám opisovat z&nbsp;článku na WMT?
@@ Line 44: / 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.
   * 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&nbsp;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 =====

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

Institute of Formal and Applied Linguistics Wiki

Differences