Solution for AIviVN's Vietnamese tone prediction competition
Đây là một baseline cho bài toán thêm dấu tiếng Việt của AIviVN sử dụng mô hình Transformer.
Phần lớn code cho mô hình được lấy từ repo này của Kyubyong Park: https://github.com/Kyubyong/transformer .
Ở đây có một số thay đổi, cụ thể:
- Mình bỏ phần encoder đi, chỉ giữ lại 1 nửa decoder. Do bài toán này là map 1-1 từ input về output nên mô hình sẽ không cần autoregressive deocoding nữa.
- Không sử dụng label smoothing cho hàm loss vì sẽ làm model hội tụ chậm hơn.
Để chuẩn bị training bạn cần chuẩn bị các file sau:
Cần 2 file train.src và train.tgt. Trong đó file train.tgt chính là file train mà ban tổ chức đã cho, và file train.src là sau khi đã bỏ dấu, bạn sẽ dùng hàm remove_tone_file() trong file utils.py để sinh file này.
Do file test của btc bị lỗi nên mình đã tự clean lại bằng cách bỏ đi 1 số token tự nhiên mất đi và lưu lại thành file test_cleaned.txt.
Mình chỉ giữ lại các âm tiết thuần việt trong file training và phiên bản không dấu tương ứng của chúng lưu lại thành 2 file tgt.vocab.tsv và src.vocab.tsv .
Bạn có thể tạo file vocab riêng của mình theo format đó.
Các hyperparameter được lưu lại trong file hyperparams.py. Để training bạn chỉ cần chạy:
python train.py
Để sinh file kết quả chạy:
python eval.py
Kết quả sẽ sinh ra trong file results/logdir.txt . Bạn dùng hàm decompose_predicted_test_file() trong file utils.py để gen ra kết quả.