기본 콘텐츠로 건너뛰기

[Deep Learning-딥러닝]Attention 신경망 - Seq2seq


Attention 기법
Attention Value는  Gradient Vanishing 문제를 보완하기 위한 방법으로, Encoder의 hidden state를 모아서 Decoder에서 이용하는 방법입니다. 

Background
Sequence-to-sequence model
  • Seq2seq 모델은 번역 문제를 학습하기 위해서 많이 사용되는 RNN 구조
  • SOS(start of sequence), EOS(End of sequence)는 문장의 시작과 끝을 알리는 예약어
  • Encoder에서는 데이터가 단어 별로 입력되고, RNN 사이에 hidden state가 전달됨
  • Context에 Encoder의 모든 feature vector를 압축해서 담아 Decoder로 전달
Gradient vanishing 문제 발생
  • Context에 Encoder의 모든 정보를 담는데는 한계가 있음
  • 입출력 연관 관계가 너무 멀리 떨어져 있으면 기울기 소실이 발생하여 학습이 잘 안됨
    • 예) 번역에서 어순이 반대인 경우

Attention 구성 요소
  • Query: 질의, 찾고자 하는 대상/정보
  • Key: 키, 저장된 데이터를 찾고자 할 때 참조하는 값
  • Value: 값, 저장된 데이터
  • Dictionary: Key-Value Pair로 이루어진 집합
Querying
Query를 날리면 Key를 비교해서 Value를 반환하는 과정을 말합니다.

Attention mechanism
  • Query를 날리면 Q에 대해 어떤 K가 유사한지 비교
  • 유사도를 반영하여 V들을 합성한 것이 Attention Value
  • Q와 K는 dimension이 n인 실수
  • Compare 함수는 Dot-Product(벡터의 내적 - Inner Product)으로 유사도
  • Normalize를 위해 Compare 결과에 Softmax 수행
  • Aggregation은 weighted sum을 많이 사용하며, 비슷할수록 더 많은 비중으로 출력됨

Attention - Seq2seq
  • Seq2seq에서는 Encoder의 hidden layer들을 key와 value로 사용함
  • Seq2seq에서는 하나 앞의 time step Decoder의 hidden layer들을 Query로 사용함
  • s는 i번째 step의 Query
  • 보통 key와 value는 같은 값을 이용하므로, K, V의 값이 같음
  • Encoder의 K와 비교하고 집계여 attention value 구함
  • LSTM의 hidden state에 이전 attention value를 concatenate하고 dense layer로 넘겨줌
Encoder 입출력
  • B: Batch Size
  • L: Sequence Length
  • N: Embedding feature 길이(Input Layer의 Node수)
  • M: Hidden state의 feature vector
Decoder 입출력

Output 


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