기본 콘텐츠로 건너뛰기

[Deep Learning-딥러닝]자연어 처리 및 순환 신경망 소개



자연어(Natural Language)

사람이 일상 생황에서 사용하는 언어를 자연어라고 합니다. 

자연어 처리(NLP; Natural Language Processing)


 NLP는 자연어의 의미를 분석하여 컴퓨터가 처리할 수 있도록 하는 일을 말합니다. 언어학 지식을 인공지능을 이용해서 컴퓨터 과학으로 구현해 어떻게 효율적으로 사용하느냐를 연구하는 분야입니다.

자연어 처리 특징(어려움)

  • 복잡성(Complexity)
  • 애매함(Ambiguity)
  • 의존성(Dependency)

머신러닝 VS 딥러닝

  • 머신러닝
    • 언어학이 많은 비중을 차지하였습니다. 도메인 지식을 상당히 요하기 때문에, 진입 장벽이 높고 기대효과가 분명합니다.
  • 딥러닝
    • 도메인 지식의 상당 부분을 Data-Driven으로 해결하여 의외의 Insight를 얻을 수 있습니다.

애플리케이션 소개

  • 문장 번역(Machine Translation)
  • 감정 분석(Sentiment Analysis)
  • 챗봇(Chatbots)
  • 문맥 광고(Contextual Advertising)
  • 자동 음성 인식(ASR; Automated Speech Recognition)
  • 광학 문자 인식(OCR; Optical Character Recognition)

순차 데이터(Sequential Data)

순서가 의미가 있으며, 순서가 달라질 경우 의미가 손상되는 데이터를 순차 데이터라고 합니다. 시간적 의미가 있는 경우 Temporal Sequence라고 하며, 일정한 시간차라면 Time Series라고 합니다. Temporal Sequence는 시간과 Value가 쌍으로 이루어지고, Time Series는 x축을 시간으로 보지 않고 step으로 봅니다.

순환 신경망 종류

순차 데이터셋의 구조 및 네트워크

다중 입력, 단일 출력

  • 마지막 입력에는 EOS(Special Token)을 넣어서 문장 종료를 알림
다중 입력, 단일 출력

단일 입력, 다중 출력

  • 입력이 한번 들어온 후 여러 개의 출력을 냄
  • 나머지 입력 값은 지정된 값을 입력
  • yn의 모든 Loss를 구해서 BP를 수행해서 훈련함
단일 입력, 다중 출력

다중 입력, 다중 출력

  • 입력과 출력이 매 Time-step 마다 이루어지는 경우
  • 입출력 길이가 같은 경우
  • 동영상 프레임별 분류를 예로 들수 있음
    • 농구하는 사진 => 농구한다.
    • 축구하는 사진 => 축구한다.
다중 입력, 다중 출력
  • 모든 입력을 받은 후 출력을 내는 경우
  • 문장 번역, 챗봇 등을 예로 들수 있음

얕은 신경망(Shallow Neural Network)

얕은 신경망은 대표적인 무기억 시스템(Memoryless System)입니다. 무기억 시스템이므로 n번째 타입 스텝에 대한 결과가 이전 입력에 영향을 받지 않습니다. 즉 n번째 입력은 n번째 출력에만 영향을 줍니다.

기억 시스템(Memory System)

입력을 받을 때 마다 그 내용을 기억 시스템에 저장합니다. 이전 입력 데이터는 최종 출력을 위해 사용됩니다.

순환 신경망(Vanilla Recurrent Network)

Vanilla RNN은 기억시스템으로, 출력은 이전의 모든 입력에 영향을 받습니다.
n번째 hidden state 연산식을 보면, 현재 입력과 이전 hidden state의 정보를 함께 이용하여 출력을 만듭니다.

감사합니다.

Reference
  • Fast Campus

라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

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] 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

JVMNotFoundException: No JVM shared library file (jvm.dll) found. Try setting up the JAVA_HOME environment variable properly.

에러 메시지 발생 상황 한글 형태소 분석을 학습 중 입니다. 한글 형태소 분석 중 Konlpy 라이브러를 사용하기 위해, Konlpy를 설치하고 Okt를 import하고 선언할 때 다음과 같은 에러가 발생했습니다. [Source] from konlpy.tag import Okt okt=Okt() #-> 에러발생 지점 [Error Message] JVMNotFoundException: No JVM shared library file (jvm.dll) found. Try setting up the JAVA_HOME environment variable properly. 에러 내용을 분석하면, JAVA_HOME을 환경변수에 선언하라는 내용 이었습니다. PC를 새로 바꾸면서 JAVA를 설치를 안 했었네 하는 생각이 들었습니다. 요새 거의 모든 작업을 Colab에서 진행하니 로컬 피씨에 개발 환경 세팅을 안했었네요. 1. JDK 다운로드 및 디렉토리 위치 변경 Oracle 라이센스가 변경되서 이것저것 사용에 제약이 있으니, open jdk를 설치합니다. 2020년 04월 05일 기준 jdk 최신 버젼은 14입니다. 필자는 윈도우 환경에서 학습 중이라 Builds - Windows/64 바이너리 파일을 다운 받았습니다. Download Site - https://jdk.java.net 다운로드가 완료되면 적절한 위치에 옮깁니다. 필자는 "C:\Program Files\openjdk-14_windows-x64_bin" 경로로 설정했습니다. 2. 환경 변수에 JAVA_HOME 및 PATH 설정 시스템 환경 변수 편집창을 열고 JAVA_HOME 변수를 선언하고 변경한 디렉토리 경로를 저장합니다. 환경 변수 편집창을 열고 PATH에 %JAVA_HOME%\bin을 추가합니다. 이는 java, javac 및 java에서 지원하는 명령어를 수행하기 위함입니다. 3. 개발 툴 ...
댓글 쓰기
자세한 내용 보기