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.

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

6.4 KiB Raw Blame History