82 lines
3.7 KiB
Markdown
82 lines
3.7 KiB
Markdown
---
|
|
title: Jazykový model slovenského jazyka
|
|
published: true
|
|
author: Daniel Hládek
|
|
---
|
|
|
|
! Cieľ:
|
|
!
|
|
! - Natrénovať a slovenský jazykový model typu BERT z korpusu webových textov
|
|
! - Vyhodnotiť jazykový model dotrénovaním na úlohách:
|
|
! - SK-QUAD 2.0
|
|
! - POS z Slovak Treebank
|
|
! - kategórie zo Slovak Categorized news Corpus
|
|
|
|
## Súvisiace projekty
|
|
|
|
- [SlovakBERT](https://github.com/gerulata/slovakbert) od Kinit, a [článok](https://arxiv.org/abs/2109.15254)
|
|
- [SK Quad](/topics/question) - Slovak Question Answering Dataset
|
|
- bakalárska práca [Ondrej Megela](/students/2018/ondrej_megela)
|
|
- https://git.kemt.fei.tuke.sk/dano/bert-train
|
|
|
|
|
|
|
|
|
|
## Hotové úlohy
|
|
|
|
- Dotrénovaný model multilingual BERT base na SK QUAD, funguje demo skript. Nefunguje exaktné vyhodnotenie.
|
|
- Natrénovaný model Electra-small 128, slovník SNK Morpho 1M slov., 30 tisíc BPE tokenov. Squad Vyhodnotenie 0.17
|
|
|
|
## Rozpracované úlohy
|
|
|
|
- Natrénovať Electra Base.
|
|
- Vylepšiť parametre trénovania.
|
|
- Dokončiť SK SQUAD databázu pre exaktné vyhodnotenie.
|
|
- Dotrénovať model na SK QUAD a exaktne vyhodnotiť pomocou oficiálneho squad skriptu.
|
|
- Pripraviť aj iné množiny na vyhodnotnie:
|
|
- kategorizácia textu na SCNC1.
|
|
- POS na Slovak Treebank.
|
|
- pripraviť iné množiny.
|
|
|
|
## Poznámky
|
|
|
|
- Nie každý model je vhodný na QA. Je potrebné aby mal veľký rozmer vstupného vektora aby aj dlhší odsek mohol byť na vstupe. Z toho dôvodu 128 "small model" asi nestačí na QA.
|
|
- Väčší vstupný rozmer je obmedzený veľkosťou RAM pri trénovaní.
|
|
- Electra vie využiť iba jednu Titan kartu, druhú zbytočne blokuje.
|
|
- Trénovanie base electra trvá cca 40 dní na jednej karte.
|
|
- Trénovanie electra small trvá asi 3 dni na jednej karte Titan RTX, ale model už ďalej nekonverguje po jednom dni.
|
|
- Trénovanie electra small trvá asi 7 dní na jednej karte GTX1080
|
|
- Dotrénovanie trvá iba niekoľko hodín.
|
|
- Electric small 128 nefunguje na Quadre kvôli pamäti,
|
|
- Electra small 512/32 batch funguje na Titane.
|
|
- Spotrebu pamäte ovplyvňujú veľkosť vstupného vektora, veľkosť trénovacej dávky.
|
|
- V SLovak Bert bola veľkosť vstupného vektora 512. Máme toľko pamäte?
|
|
- learning rate by malo byť priamo úmerné s batch_size. Malý batch size by mal mať malý learning rate.
|
|
- electra prepare skript defaultne odstraňuje diakritiku a dáva malé písmená.
|
|
- ELECTRA ingoruje pokyn na ponechanie diakritiky!!!! Ponechanie diakritiky funguje iba pre "prepare", inak sa diakritika stále odstraňuje. Ne ponechanie diakritiky sú potrebné úpravy v zdrojových kódoch.
|
|
- TODO: Vytvorenie slovníka ako pri BERT https://github.com/google-research/electra/issues/58
|
|
|
|
|
|
## Budúci výskum
|
|
|
|
- Zistiť aký je optimálny počet tokenov? V Slovak BERT použili 50k.
|
|
- Zistiť aký je optimálný slovník?
|
|
- Pripraviť webové demo na slovenské QA.
|
|
- Integrovať QA s dialógovým systémom.
|
|
- Integrovať QA s vyhľadávačom.
|
|
- Zostaviť multilinguálny BERT model.
|
|
- Natrénovať BART model.
|
|
- Natrénovať model založený na znakoch.
|
|
- Adaptovať SlovakBERT na SQUAD. To znamená dorobiť úlohu SQUAD do fairseq.
|
|
|
|
## Hardvérové požiadavky
|
|
|
|
[https://medium.com/nvidia-ai/how-to-scale-the-bert-training-with-nvidia-gpus-c1575e8eaf71](zz):
|
|
|
|
When the mini-batch size n is multiplied by k, we should multiply the starting learning rate η by the square root of k as some theories may suggest. However, with experiments from multiple researchers, linear scaling shows better results, i.e. multiply the starting learning rate by k instead.
|
|
|
|
| BERT Large | 330M |
|
|
| BERT Base | 110M |
|
|
|
|
Väčšia veľkosť vstupného vektora => menšia veľkosť dávky => menší parameter učenia => pomalšie učenie
|