99 lines
5.0 KiB
Markdown
99 lines
5.0 KiB
Markdown
|
|
# Lukáš Pokrývka
|
|
|
|
*Rok začiatku štúdia:* 2016
|
|
|
|
## Diplomový projekt 1 2020
|
|
|
|
Ulohy na semester:
|
|
|
|
- podrobne si naštudovať vybranú metódu trénovania neurónových sietí
|
|
- identifikujte možný spôsob paralelizácie
|
|
- natrénujte zvolený model metódou paralelizácie
|
|
|
|
|
|
Revízia 13.5:
|
|
|
|
Pozrite si odkazy na paralelné trénovanie:
|
|
|
|
- Knižnica pre neuronové siete podobná TensorFlow https://pytorch.org
|
|
- Trénovanie WordEmbedding v PyTorch https://pytorch.org/tutorials/beginner/nlp/word_embeddings_tutorial.html
|
|
- Toolkit na medziprocesovú komunikáciu https://developer.nvidia.com/nccl Podporuje aj trénovanie na viacerých výpočtových uzloch naraz. PyTorch podporuje NCCL aj Goo toolit
|
|
- Toolkit na medziprocesovú komunikáciu https://github.com/facebookincubator/gloo
|
|
- Paralelné trénovanie pomocou Pytorch https://pytorch.org/docs/stable/distributed.html /
|
|
|
|
|
|
Revízia 14.4.
|
|
|
|
- Natrénovaný word embedding model na slovenských dátach.
|
|
|
|
|
|
Revízia 9.4.:
|
|
|
|
Nové úlohy:
|
|
|
|
Natrénujte word embedding model na veľkých dátach (odkaz poskytnutý). Môžete použiť server idoc.
|
|
|
|
|
|
Nové úlohy:
|
|
|
|
- Pozrite si [metódy vyhodnotenia embedding modelov](https://duckduckgo.com/?t=ffab&q=word+embedding+evaluation&ia=web). Ako by ste postupovali pri vyhodnotení slovenského modelu?
|
|
- Pozrite si https://spacy.io/usage/training
|
|
- Pozrite si [repozitáre a výsledky týkajúce sa Spacy](/topics/spacy).
|
|
- Vyhodnotte slovenský spacy model
|
|
|
|
|
|
Stretnutie 9.3.2020
|
|
|
|
Úlohy na ďalšie stretnutie:
|
|
|
|
- Skúste natrénovať slovenský word2vec model podľa tutoriálu: http://spark.apache.org/docs/latest/ml-features.html#word2vec (podľa dát z emailu)
|
|
- Pozrite si niečo o metóde BERT
|
|
|
|
- https://medium.com/huggingface/introducing-fastbert-a-simple-deep-learning-library-for-bert-models-89ff763ad384
|
|
- https://github.com/huggingface/transformers
|
|
|
|
|
|
|
|
|
|
|
|
|
|
## Tímový projekt 2019
|
|
|
|
*Úlohy tímového projektu:*
|
|
|
|
- Vypracujte min. 4 stranový rešerš na tému: "Paralelné spracovanie prirodzeného jazyka" (využitie napr. s word2vec, word embeddings, GloVe, fastText).
|
|
- Citujte min. 10 najvýznamnejších bibliografických zdrojov.
|
|
|
|
*Písomná práca:* [Paralelné spracovanie prirodzeného jazyka](./timovy_projekt)
|
|
|
|
## Diplomová práca 2021
|
|
|
|
### Paralelné trénovanie neurónových sietí
|
|
|
|
*Meno vedúceho:* Ing. Daniel Hládek, PhD.
|
|
|
|
*Návrh na zadanie DP:*
|
|
|
|
1. Vypracujte prehľad literatúry na tému "Paralelné trénovanie neurónových sietí".
|
|
2. Vyberte vhodnú metódu paralelného trénovania.
|
|
3. Pripravte dáta a vykonajte sadu experimentov pre overenie funkčnosti a výkonu paralelného trénovania.
|
|
4. Navrhnite možné zlepšenia paralelného trénovania neurónových sietí.
|
|
|
|
|
|
- Zaujímavá príručka [Word2vec na Spark](http://spark.apache.org/docs/latest/ml-features.html#word2vec)
|
|
|
|
### Priebeh práce
|
|
|
|
*1. Pokus o natrénovanie modelu pomocou knižnice Gensim*
|
|
|
|
Ako prvý nástroj na zoznámenie sa s trénovaním W2V som zvolil Gensim. Nevýhodou knižnice je, že pri trénovaní nevyužíva GPU v žiadnom prípade. Podľa zdrojov na internete je však Gensim násobne rýchlejšia knižnica pri implementácii na menšie korpusy (https://rare-technologies.com/gensim-word2vec-on-cpu-faster-than-word2veckeras-on-gpu-incubator-student-blog/). Keďže môj korpus má približne 30GB, trénovanie pomocou Gensim by zrejme nebol najlepší nápad. Preto som si z korpusu vytiahol prvých 10,000 riadkov a otestoval implementáciu na tomto súbore. Celý skript je dostupný na [gensim_W2V.py](./dp2021/scripts/gensim_w2v.py).
|
|
Výsledok nebol vôbec presný, čo sa vzhľadom na veľkosť korpusu dalo očakávať. Pri slove letisko bola však zhoda vysoká, čo potvrdzuje správnosť implementácie.
|
|
|
|
|
|
|
|
Keďže som mal problém skript s plným korpusom spustiť na školskom serveri, v ďalšom riešení chcem využiť aj GPU. V úvahu pripadá aj rozdelenie korpusu na viacero častí s tým, že sa zachová kontext.
|
|
|
|
*2. Natrénovanie slovenského modelu pomocou knižnice fasttext*
|
|
|
|
Ako druhú možnosť na natrénovanie slovenského modelu som využil fasttext, knižnicu od Facebook-u. Prostredie a všetky dependencies som si vytvoril pomocou Anacondy. Následne som si naklonoval projekt z gitu (https://github.com/facebookresearch/fastText.git). Fasstext poskytuje jednoduchý nástroj na vyčistenie dát, ktorý všetky slová pretransformuje na lowercase a oddelí ich od čiarok, bodiek, atď... Následne je potrebné správne nastaviť spúšťacie parametre a zvoliť si metódu CBOW alebo skip-gram. V mojom prípade som zvolil 2-gram, dimenzionalitu vektorov 200, a nastavil som počet epochov na 10, pomocou ktorých sa vhybovosť výrazne znížila. Taktiež je možné nastaviť, koľko jadier procesora sa má využívať pre multi-threading. Na dátach o veľkosti približne 13GB trvalo trénovanie takmer 24 hodín. Výstupom su 2 súbory *.bin a *.vec. Prvý súbor obsahuje celý natrénovaný model a môže byť ďalej používaný a načítavaný podľa potreby, druhý súbor obsahuje vektory slov, jeden riadok pre každé slovo. |