dmytro_ushatenko/pages/topics/bert/README.md

title	published	author
Jazykový model slovenského jazyka	true	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 od Kinit, a článok
• SK Quad - Slovak Question Answering Dataset
• bakalárska práca Ondrej Megela

Hardvérové požiadavky

https://medium.com/nvidia-ai/how-to-scale-the-bert-training-with-nvidia-gpus-c1575e8eaf71:

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

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.