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

[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