aitech-moj-2023/cw/09_Model_neuronowy_typu_word2vec.ipynb
Jakub Pokrywka 85d14a1c10 update
2022-07-05 11:24:56 +02:00

6.4 KiB

Logo 1

Modelowanie Języka

9. Model neuronowy typu word2vec [ćwiczenia]

Jakub Pokrywka (2022)

Logo 2

Zadania

Proszę wykonać zadanie 1 lub zadanie 2 (nie oba naraz). Zadanie 3 można zrobić niezależnie.

Zadanie 1

Wzorując się na materiałach z wykładu stworzyć 5-gramowy model neuronowy oparty na jednym ze schematów z wykładu, np.

img

Warunkiem koniecznym jest, żeby przewidywać słowo środkowe, np. Mając tekst ['Ala', 'ma', '[MASK]' 'i', 'psa'] chcemy przewidzieć kontekst środkowego słowa (tutaj '[MASK]')

Warunki zaliczenia:

  • wynik widoczny na platformie zarówno dla dev i dla test
  • wynik dla dev i test lepszy (niższy) niż 6.50 (liczone przy pomocy geval)
  • deadline do końca dnia 08.05
  • commitując rozwiązanie proszę również umieścić rozwiązanie w pliku /run.py (czyli na szczycie katalogu). Można przekonwertować jupyter do pliku python przez File → Download as → Python. Rozwiązanie nie musi być w pythonie, może być w innym języku.
  • zadania wykonujemy samodzielnie
  • w nazwie commita podaj nr indeksu
  • w tagach podaj neural-network oraz 5gram!
  • zadanie tym razem jest dla polskiego odpowiednika word-gap https://gonito.net/challenge-my-submissions/retro-gap
  • metryka to LogLossHashed (praktycznie to samo, co PerlpexityHased). Przelicznik, to LogLossHased = log(PerplexityHashed). Podając równe prawd. dla każdego słowa dostaniemy 6.93, bo log(1024) = 6.93

Punktacja:

  • podstawa: 60 punktów
  • 40 punktów z najlepszy wynik z 2 grup
  • 20 punktów z 3 kolejno najlepszych wyników z 2 grup

Jak stworzyć model?

  • warto bazować na kodzie ze wykładu 7 Zanurzenia słów
  • elementy, które na pewno trzeba będzie wykorzystać to: nn.Embedding, nn.Linear, nn.Softmax
  • w odróżnieniu do materiałów z wykładu lepiej nie korzystać z nn.Sequential, tylko wszystki operacje zapisywać w model.forward. Przy użyciu sequential może być problem np. z dodawaniem lub konkatenacją tensorów

W jaki sposób uzyskać lepszy wynik?

  • Po pierwsze proszę stosować sie do rad z poprzednich cwiczeń (trenowanie przez kilka epok i monitorowanie wyniku na zbiorze deweloperskim)
  • dobry start to zawsze zaczęcie od jak najprostszego modelu (czyli 1 warstwa liniowa, zwykłe dodawanie embeddingów słów) i dopiero później go rozbudowywać monitorując wynik. Jest to rada uniwersalna w uczeniu maszynowym.
  • Poza tym warto wypróbować przynajmniej kilka modeli z wykładu. Mając zaimplementowany cały kod dla jednego modelu, wystarczy jedynie delikatnie zmienić architekturę modelu i wytrenować go od nowa. Cała reszta kodu zostaje bez zmian.
  • warto spróbować dodanie np 2 warstw liniowych (lub nawet 3) zamiast jednej warstwy (koniecznie trzeba dodać między nimi funkcję aktywacji, np RELU).
  • poza tym można zmieniać różne parametry (np. wielkość słownika, wielkość warstwy ukrytej, różne funkcje aktywacji)

Zadanie 2

Proszę zrobić parameter Hyperparameter Tuning dla zadania 1 i zaprezentować na forum grupy razem z wnioskami

  • wymóg wyniku najlepszego modelu, conajwyżej 6.10
  • wnioski nie muszą być specjalnie rozbudowane, prezentacja może trwać 3-5minut lub dłużej
  • należy wybrać dla siebie metodę hypermarameter tuningu
  • należy stworzyć conajmniej 10 modeli, należy pokazać wyniku dla conajmniej paru
  • oczywiście kod musi być automatyczny (a nie ręcznie zmieniamy paratery), natomiast nie ma wymogu korzystania ze specjalnych bibliotek
  • podstawa punktów 100
  • za wynik lepszy (niższy) niż 5.50 +20 punktów
  • użycie GPU na dowolnym cloud lub od WMI + 30 punktów
  • termin 16.05 na zajęciach
  • punkty przyznam na MS TEAMS, ale proszę zgłosić te rozwiązanie na gonito (nie trzeba w żadnym challenge ani z konkretymi tagami)

Zadanie 3

Zaangażowanie się w pygonito.

  • https://github.com/filipggg/pygonito
  • dobra okazja, żeby nauczyć się tworzyć paczki pythonowe
  • wsparcie ode mnie lub prof. Gralińskiego przy tworzeniu
  • może się przydać przy pracy magisterskiej (jeżeli wyzwanie będzie na gonito)
  • ilość punktów zależy od zakresu pracy. Sczególnie warto samemu zaproponować co zrobić) Zakres prac i punktów do dogdania
  • w celu ustalenia szczegółów proszę sie zgłosić do mnie
  • termin dowolny