[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 state: input x와 state light recurrence로부터 생성된 c를 적절하게 결합함 ((1−r)는 skip connection)

특징

- 딥 네트워크의 gradient-based training을 수행

감사합니다.

Reference

https://arxiv.org/abs/1709.02755

이 블로그의 인기 게시물

워드임베딩(Word Embedding)

단어를 임베딩 층의 입력으로 사용하기 위해서 입력 시퀀스의 각 단어들은 모두 정수 인코딩이 되어있어야 합니다. 워드임베딩 변환 과정 어떤 단어 → 단어에 부여된 고유한 정수값 → 임베딩 층 통과 → 밀집 벡터 임베딩 층은 입력 정수에 대해 밀집 벡터(dense vector)로 맵핑 하고 이 밀집 벡터는 인공 신경망의 학습 과정에서 가중치가 학습되는 것과 같은 방식으로 훈련 됩니다. 그리고 이 밀집 벡터를 임베딩 벡터 라고 부릅니다. 정수를 밀집 벡터 또는 임베딩 벡터로 맵핑하는 이유는 무엇일까요? 임베딩 테이블은 단어 집합의 크기만큼 행을 가지므로 모든 단어는 고유한 임베딩 벡터를 가집니다. 즉, 단어의 정수 인덱스는 임베딩 테이블에 대해서 Lookup을 수행하므로 고유한 임베딩 벡터를 결과 를 냅니다. 위의 그림에서는 임베딩 벡터의 차원이 4로 설정되어져 있습니다. 그리고 단어 great은 정수 인코딩 과정에서 1,918의 정수로 인코딩이 되었고 그에 따라 단어 집합의 크기만큼의 행을 가지는 테이블에서 인덱스 1,918번에 위치한 행을 단어 great의 임베딩 벡터로 사용합니다. 이 임베딩 벡터는 모델의 입력이 되고, 역전파 과정에서 단어 great의 임베딩 벡터값이 학습됩니다. 파이토치에서는 임베딩 벡터를 사용하는 방법이 크게 두 가지가 있습니다. 임베딩 층(embedding layer)을 만들어 훈련 데이터로부터 처음부터 임베딩 벡터를 학습하는 방법 사전에 훈련된 임베딩 벡터(pre-trained word embedding)들을 가져와 사용하는 방법 관련 소스는 다음 GIT에서 참고할 수 있습니다. Reference Source https://github.com/ynebula/NLP/blob/master/Word_Embedding/WordEmbedding.ipynb 감사합니다. Reference https://wikidocs.net/64779 https://wikidocs.net/64904

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 Vector의 길이 x = [ x 0 , x 1 , x 2 , ... ,

자세한 내용 보기

[Deep Learning-딥러닝]딥러닝 정의 및 구조 설명

인공지능 기계학습 딥러닝 인공지능: 기계가 사람의 행동을 모방하게 하는 기술을 연구하는 분야 기계학습: 개발자가 일일이 코드로 명시하지 않고, 데이터로 부터 학습하여 실행할 수 있도록 하는 알고리즘을 개발하는 연구 분야 딥러닝: 기계학습의 한 분야로 인공 신경망에 기반하여, 많은 데이터를 학습해 뛰어난 성능을 도출하는 연구 분야 인공신경망 구조 사람의 신경 세포에서 착안한 방법입니다. 생물학적인 신경 세포를 단순화하여 모델링 하였습니다. 여러 신호를 받아 가중치를 곱하고, 모두 합하여 하나의 신호를 만들어서 전달합니다. 출력 전에 활성 함수(activation function)을 통해 비선형 특성을 가할 수 있습니다. 노드(뉴런) 집합을 계층으라 하며, 이전 계층과 모든 뉴런이 연결된 상태를 FC(Fully-Connected) Layer(Dense Layer)라고 합니다. 딥러닝 특징 기계 학습에서는 특징 추출기 부분은 사람이 수행합니다. 기계는 분류기 부분만 수행합니다. 반면 딥러닝에서는 특징 추출 및 분류 모두 기계가 수행합니다. 즉, 사람의 Intend(의지, 생각)이 개입이 안 됩니다. 딥러닝 응용 분야 딥러닝 학습 및 테스트 방법 학습 단계 학습 데이터셋을 입력으로 넣고 예측값을 출력합니다. 손실함수를 이용해 예측값과 정답과 비교해 오차를 구합니다. 최적화 기법을 이용해서 오차가 최소가 되도록 네트워크를 개선합니다. 테스트 단계 테이트 데이터셋을 넣고 출력값을 평가 지표로 평가 수행하여 네트워크 수준을 측정합니다. 감사합니다. Reference - Fastcampus

자세한 내용 보기

Sungwoony

이 블로그 검색