기본 콘텐츠로 건너뛰기

SentencePiece 특징/기능 설명


SentencePiece는 신경망 기반 텍스트 생성 시스템에서 주로 사용 되는 unsupervised text 토큰화기 및 해독기로서(tokenizer and detokenizer) 신경 모델 학습 전에 어휘 크기(Vocab Size)가 미리 결정합니다. SentencePiece는 원시 문장(raw sentences)에서 직접 학습을 확장하여 subword 단위를 구현합니다(예: byte-pair-encoding(BPE) [Sennrich et al.] Punigram language model[Kudo.]). SentencePiece를 사용하면 언어 별 pre/postprocessing 의지하지 않는 end-to-end system을 만들 수 있습니다. (공식 Google 제품이 아닙니다.)

Technical highlights 

  • Purely data driven: SentencePiece는 문장에서 tokenization 및 detokenization 모델을 훈 련시킵니다. Pre-tokenization(Moses tokenizer/MeCab/KyTea)가 항상 필요한 것은 아닙니다. 
  • Language independent: SentencePiece는 문자열을 Unicode characters처럼 취급합니다. 거기에 language-dependent logic은 없습니다.
  • Multiple subword algorithms: BPE[Sennrich et al.]와 Unigram Language Model을 [Kudo.] 사용합니다.
  • Subword regularization: SentencePiece는 subword regularization의 subword sampling을 구현합니다.
  • Subword sampling은 NMT model의 robustness와 accuracy 향상에 도움을 줍니다.
  • Fast and lightweight: Sementation 의 속도는 초당 약 50K 문장이며, memory footprint은 약 6MB입니다.
  • Self-contained: 동일한 모델 파일이 사용되는 한 동일한  tokenization/detokenization가 수행됩니다.
  • Direct vocabulary id generation: SentencePiece는 Vocabulary에서 ID로의 mapping을 관리하고 원시문 장(raw sentences)에서 Vocabulary ID 시퀀스를 직접 생성할 수 있습니다.
  • NFKC-based normalization: SentencePiece NFKC-based 텍스트 정규화(text normalization)를 수행합니다.

Overview

What is SentencePiece?

SentencePiece는 sub-word units을 재 구현 한 것으로, neural machine translation에서 open vocabulary 문제를 완화하는 효과적인 방법입니다. SentencePiece는 byte-pair-encoding(BPE)[Sennrich et al.] 및 unigram language model[Kudo.]의 두 가지 세그먼트화 알고리즘을 지원합니다.

 다른 구현과의 차이점은 다음과 같습니다.

여러 unique token 수는 미리 결정됩니다.

Neural Machine Translation model은 일반적으로 고정 어휘로 작동합니다. infinite vocabulary을 가정하는 unsupervised word segmentation algorithm 달리 SentencePiece는 최종 어휘 크기가 고정되도록 (예 : 8k, 16k 또는 32k) 분할 모델을 학습시킵니다.
SentencePiece는 훈련을 위한 최종 어휘 크기를 정의합니다. 이는 병합연산의 (merge operation) number를 사용하는 subword-nmt와 다릅니다. 병합 연산의(merge operation) number는 BPE 특정 매개 변수이며, unigram, word와 character를 포함한 다른 segmentation algorithms에 는 적용되지 않습니다.

원시 문장(raw sentences)에서 학습

이전의 sub word 구현에서는 input sentence가 pre-tokenized된 것으로 가정합니다. 이 제약 조건은 효율적인 학습을 위해 필요했지만 사전에 언어 의존적 tokenizer를 실행 해야하므로 사전 처리가 복잡해집니다.
SentencePiece의 구현은 원시 문장으로부터 모델을 훈련시키기에 충분 히 빠릅니다. 이는 단어 사이에 공백이 없는 중국어 및 일본어의 tokenizer 및 detokenizer 학습에 유용합니다.

베이직 심볼로 띄어쓰기(white space)를 사용함

자연어 처리의 첫 단계는 text tokenization 입니다.
예를 들어 standard English tokenizer는 "Hello world"라는 텍스트를 다 음 세 개 토큰으로 분류합니다.
[Hello] [World] [.]
한 가지 주의점은 original input과 tokenized sequence는 뒤집어서 변환할 수 없습니다.
예를 들어 "World"와 "."사이에 공백이 없는 정보
예)
Tokenize("World.") == Tokenize("World')
SentencePiece는 input text를 일련의 유니 코드 문자로 취급합니다. Whitespace도 일반 기호(symbol)로 처리합니다.
공백을 기본 토큰으로 처리하기 위해 SentencePiece는 먼저 메타기호 "_"(U+2581)로 공백을 이스케이프 처리합니다.
Hello_World.
그런 다음이 텍스트는 다음과 같이 작은 조각으로 나뉩니다.
[Hello] [_Wor] [Id] [.]
Whitespace는 분리된 텍스트(segmented text)에서 유지되므로, 우리는 테스트를 해서(detokenize)할 수 있습니다(without any ambiguities).
detokenized = "join(pieces).replace('_','')
이 기능을 사용하면 언어 별 리소스에 의존하지 않고 토큰화를 수행 할 수 있습니다.

 표준 단어 세그먼터로 문장을 분할 할 때 공백을 특수기호로 취급하므로 동일한 무손실 변환을적용 할 수 없습니다.
토큰화 된 시퀀스는 원래 문장을 복원하는 데 필요한 정보를 보존하지 않습니다.

    

  • (en) Hello world. → [Hello] [World] [.] (A space between Hello and World)
    • 

  • (ja) こんにちは世界。 → [こんにちは] [世界] [。] (No space between こんにちは and 世界)
    •

Subword regularization

Subword regularization [Kudo.] NMT모델의 정확성과 견고성을 향상시 키는데 도움이되는 on-the-fly subword sampling으로 사실상 training data를 늘리는 간단한 정규화 방법입니다.
Subword regularization을 활성화 하려면, SentencePiece library를 NMT system에 통합합니다. 또한 Standard off-line 데이터 준비와 다른, 각 매개변수 업데이트를 하나의 Segmentation을 샘플링 합니다.
여기에 Python library 예제가 있습니다. 'New York'은 SampleEncode를 호출할 때 마다 다르게 나뉩니다.
sampling parameter의 detail은 sentencepiece_processor.h에서 확인할 수 있습니다.
>>> import sentencepiece as spm
>>> s = spm.SentencePieceProcessor()
>>> s.Load('spm.model')
>>> for n in range(5):
...     s.SampleEncodeAsPieces('New York', -1, 0.1)
... 
['▁', 'N', 'e', 'w', '▁York']
['▁', 'New', '▁York']
['▁', 'New', '▁Y', 'o', 'r', 'k']
['▁', 'New', '▁York']
['▁', 'New', '▁York']









Reference
- https://github.com/google/sentencepiece
라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...
댓글 쓰기
자세한 내용 보기

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file.  tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다.  설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...
댓글 쓰기
자세한 내용 보기

[Deep Learning-딥러닝]SRU(Simple Recurrent Unit)

SRU(Simple Recurrent Unit) SRU는 병렬화와 시퀀스 모델링이 가능한 light recurrence한 unit입니다. 기존 RNN Architecture(RNN, LSTM, GRU)는 previous time step에 대한 의존성 때문에 병렬처리가 불가능하여 학습 속도가 느렸습니다. 이런 단점을 SRU는 높은 병렬화 및 시퀀스 모델링 기능을 제공하여 학습시간 단축시켰습니다. SRU는 분류, 질의응답에서 cuDNN-optimized LSTM보다 5~9배 빠른 속도를 보였고, LSTM과 convolutional models보다 좋은 성능을 보였습니다. 특징 SRU의 state연산은 time-dependent이지만, 각 state 차원은 independent입니다. 이것은 hidden dimension과 time steps에서 병렬화 연산하는 CUDA-level optimization으로 병렬 처리 가능합니다. SRU는 convolutions을 더 많은 recurrent 연결로 대체하였습니다(QRNN과 KNN과 같이). 이건 적은 연산으로 모델링을 유지합니다. SRU는 highway connection방법과 deep architecture에서 gradient전파에 맞게 조정된 매개 변수 초기화 체계를 사용하여 deep recurrent models training을 개선합니다. 연산방법 SRU는 forget gate, state, reset gate, hidden state 연산을 수행합니다. Light recurrence (1, 2번 수식) Forget gate: 정보 흐름을 제어 State: 이전 state와 현재 입력을 forget gate에 따라 조정 특징 - 문자열 정보를 위해 input x와 state c를 연산 - 이전 state에 영향을 받음 - 병렬처리를 위해 matrix multiplication 대신 point-wise multiplication 연산 수행 Highway network (3, 4번 수식) Hidden ...
댓글 쓰기
자세한 내용 보기