Súvisiace projekty

• SlovakBERT od Kinit, a článok
• SK Quad - Slovak Question Answering Dataset
• bakalárska práca Ondrej Megela
• diplomová práza Jozef Olekšák (in progress, trénovanie electra na colab).
• https://git.kemt.fei.tuke.sk/dano/bert-train

Rozpracované úlohy

• Trénovanie na TPU Google Colab Electra Base. (Olekšák)
• trénovanie XLNet Base
• Tokenizer SentencePiece pre XLNet
• Trénovanie Roberta Base (zatiaľ najlepšie 0.65)

Hotové úlohy

Trénovací korpus

Deduplikované a tokenizované webové dáta pomocou nášho tokenizátora a deduplikátora.

• Wikipédia
• Oscar Dedup
• Sita
• Websucker 2010,2012,2017
• Websucker 2022 in progress

Spolu 25 GB po deduplikovaní.

Electra Model

• Vyhodnotenie Electra na SK SQUAD, UDP POS tagging
• Trénovacie skripty Electra
• Konvertovanie Electra do Transformers pomocou ransformers/src/transformers/models/electra/convert_electra_original_tf_checkpoint_to_pytorch.py
• Natrénovaný model Electra-small 128, 256 batch size, learning 2e-4, skweb2017dedup, Slovník 32K wordpiece, 0.83 POS, 0.51 Squad

Hugging Face Models Finetuning

• Dotrénovaný model multilingual BERT base na SK QUAD, funguje demo skript. (0.72)
• Dotrénovany Slovak Bert na SK QUAD (0.75)
• Dotrénovaný model multilingual BERT na SQUAD anglickej, overné na slovenskej SK QUAD
• SK Quad Datasets Interface

Hugging Face Roberta

• Natrénovaný HF Roberta Small
• Deduplikovaný webový korpus oscar plus skweb2017
• tokenizer BPE Roberta
• natrénovaný roberta base na 17GB korpuse, 0.65 na Squad
• trénovanie pomocou deepspeed (zrýchľuje cca 2x).
• pri efektívnej veľkosti dávky 1000 je asi najrýchlejčia konvrergencia pri lr 1e-4. , adam (0.9-0.999).
• Tokenizátor BPE treba trénovať na celkom korpuse.

Budúce úlohy

• Pripraviť aj iné množiny na vyhodnotnie: kategorizácia textu na SCNC1.
• trénovanie na HPC
• trénovanie Large modelu
• trénovanie BART

Poznámky Roberta

• Trénovanie roberta base s deepspeed 5 epoch, 25G korpus trvá 400 hod. BEz deepsdpeed 900 hod. na dvoch kartách.
• Veľkosť dávky roberta base na jedno zariadenie Titan24GB je 64 pre deepspeed.
• Dáta z prokuratúry asi zhoršujú model kvôli anonymizácii, skratkám a právnickému jazyku.
• Konfigurácia deepspeed po čase nastavila lr na nula a trénovanie sa zastavilo.

Poznámky Electra

• 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.
• 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
• electra prepare skript defaultne odstraňuje diakritiku a dáva malé písmená.

Poznámky ku hyperparametrom

• V SLovak Bert bola veľkosť vstupného vektora 512. Máme toľko pamäte?
• Spotrebu pamäte ovplyvňujú veľkosť vstupného vektora, veľkosť trénovacej dávky.
• 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.
• learning rate by malo byť priamo úmerné s batch_size. Malý batch size by mal mať malý learning rate.

Budúci výskum

• Zistiť aký je optimálny počet tokenov? V Slovak BERT použili 50k.
• 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.

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