[러닝 텐서플로]Chap06 - 텍스트2: word2vec, Bidirectional RNN, GRU, 임베딩 시각화
5장에서 살펴본 텍스트 시퀀스를 좀 더 깊이 알아보며, word2vec이라는 비지도학습 방법을 사용하여 단어 벡터를 학습하는 방법과 텐서보드를 사용해서 임베딩을 시각화 하는 방법에 대해 알아보자. 그리고 RNN의 업그레이드 버전인 GRU에 대해서 알아보자.
6.1 단어 임베딩 소개
5.3.2에서 텐서플로(TensorFlow)를 이용해 텍스트 시퀀스를 다루는 방법을 알아 보았다. 단어 ID를 저차원의 Dense vector로의 매핑을 통해 단어 벡터를 학습시켰다. 이러한 처리가 필요한 이유는 RNN의 입력으로 넣어 주기 위해서였다.
TensorFlow is an open source software library for high performance numerical computation.
위의 문장을 5.3.2에서처럼, 각 단어를 ID로 표현 한다면 'tensorflow'는 정수 2049에, 'source'라는 단어는 17, 'performance'는 0으로 매핑할 수 있다.
하지만, 이러한 방법은 몇 가지 문제점이 있다.
단어의 의미를 잃어버리게 되고, 단어 사이의 의미론적 근접성(semantic proximity)과 관련 정보를 놓치게 된다. 예를 들어, 위의 문장에서 'high'와 'software'는 서로 관련이 없지만, 이러한 정보는 반영되지 않는다.
단어의 수가 엄청 많을 경우 단어당 ID개수 또한 많아지게 되므로 단어의 벡터 표현이 희소(sparse)해져 학습이 어려워진다.
이러한 문제를 해결하기 위한 방법 중 하나는 비지도학습(Unsupervised Learning)인 word2vec을 이용하는 것이다. 이 방법의 핵심은 분포 가설(Distributional Hypothesis)이며, 언어학자 존 루퍼트 퍼스(John Rupert Firth)가 한 유명한 말로 설명할 수 있다.
"You shall know a word by the company it keeps."- "단어는 포함된 문맥 속에서 이해할 수 있다."
즉, 비슷한 맥락에서 함께 나타나는 경향이 있는 단어들은 비슷한 의미를 가지는 경향이 있다.
6.2 word2vec
word2vec은 2013년에 Distributed Representations of Words and Phrases and their Compositionality(Mikolov et al.) 논문에서 등장한 비지도학습의 원드 임베딩 방법이다. word2vec에는 아래의 그림과 같이 두가지 구조(architecture)가 있는데, 이번 구현은 skip-gram을 이용해 단어의 문맥을 예측하는 모델을 학습한다. word2vec의 이론에 대해 자세한 설명은 ratsgo's blog를 참고하면 된다.
word2vec의 skip-gram 모델은 아래의 그림에서 볼 수 있듯이, 중심단어에서 윈도우 크기(Window size)만큼의 주변 단어들을 예측하는 모델이다.
word2vec 모델은 학습시간을 줄이기 위해 트릭을 쓰는데, 바로 네거티브 샘플링(negative sampling) 이다. 네거티브 샘플링은 위의 그림에서 처럼 'Training Sample'과 같은 단어 쌍들에 포함되어 있지 않는 가짜 단어 쌍들을 만들어 낸다. 즉, 지정한 윈도우 사이즈 내에서 포함되지 않는 단어들을 포함시켜 단어 쌍들을 만들어 내는것이다. 예를 들어 위의 그림에서 두번째 줄에서 윈도우 사이즈 내에 포함되지 않는 lazy라는 단어를 뽑아 (quick, lazy)라는 단어쌍을 만드는 것이다.
이렇게 '진짜'와 '가짜' 단어를 섞어 (학습 데이터, 타겟) 데이터를 만들고 이것을 구분할 수 있는 이진 분류기(binary classifier)를 학습시킨다. 이 분류기에서 학습된 가중치()벡터가 바로 워드 임베딩이다. (아래 그림 출처: Lil'Log)
6.2.1 Skip-Gram 구현
텐서플로(TensorFlow)를 이용해 기본적인 word2vec 모델을 구현해보자. 여기서는 5.3.1 텍스트 시퀀스에서와 마찬가지로 '홀수'와 '짝수'로 이루어진 두 종류의 '문장'인 가상의 데이터를 생성해 word2vec을 구현해 보도록 하겠다. 기회가 된다면, 영어 및 한글의 실제 데이터를 가지고 word2vec을 구현하는 것을 추후에 포스팅하도록 하겠다.
import os
import math
import numpy as np
import tensorflow as tf
from tensorflow.contrib.tensorboard.plugins import projector
from pprint import pprint ####################
# Hyper Parameters #
####################
batch_size = 64
embedding_dimension = 5
negative_samples = 8
ABS_PATH = os.path.dirname(os.path.abspath('logs'))
LOG_DIR = ABS_PATH+'/logs/word2vec_intro'
digit_to_word_map = {1: "One", 2: "Two", 3: "Three", 4: "Four", 5: "Five",
6: "Six", 7: "Seven", 8: "Eight", 9: "Nine"}
sentences = []
# 홀수 시퀀스/짝수 시퀀스 두 종류의 문장을 생성
for i in range(10000):
rand_odd_ints = np.random.choice(range(1, 10, 2), size=3)
sentences.append(" ".join([digit_to_word_map[r] for r in rand_odd_ints]))
rand_even_ints = np.random.choice(range(2, 10, 2), size=3)
sentences.append(" ".join([digit_to_word_map[r] for r in rand_even_ints]))
# 생성된 문장 확인
pprint(sentences[0: 10])
['Nine Three Three',
'Two Six Four',
'Nine One Nine',
'Two Six Two',
'Five Seven Five',
'Two Two Eight',
'Seven Five Five',
'Eight Two Six',
'One Seven Seven',
'Two Six Four']
# 단어를 인덱스에 매핑
word2index_map = {}
index = 0
for sent in sentences:
for word in sent.lower().split():
if word not in word2index_map:
word2index_map[word] = index
index+=1
index2word_map = {index: word for word, index in word2index_map.items()}
vocabulary_size = len(index2word_map)
print('word2index_map >>>', word2index_map)
print('index2word_map >>>', index2word_map)
print('vocabulary_size >>>', vocabulary_size)
word2index_map >>> {'nine': 0, 'three': 1, 'two': 2, 'six': 3, 'four': 4, 'one': 5, 'five': 6, 'seven': 7, 'eight': 8}
index2word_map >>> {0: 'nine', 1: 'three', 2: 'two', 3: 'six', 4: 'four', 5: 'one', 6: 'five', 7: 'seven', 8: 'eight'}
vocabulary_size >>> 9
이제 필요한 데이터를 생성했으니, word2vec skip-gram 모델을 만들어보자. 이번 구현 예제에서는 윈도우 사이즈를 1로 설정했다.
# Skip-Gram 쌍(pair) 생성 (Window=1)
skip_gram_pairs = []
for sent in sentences:
tokenized_sent = sent.lower().split()
for i in range(1, len(tokenized_sent)-1):
word_context_pair = [[word2index_map[tokenized_sent[i-1]],
word2index_map[tokenized_sent[i+1]]],
word2index_map[tokenized_sent[i]]]
skip_gram_pairs.append([word_context_pair[1],
word_context_pair[0][0]])
skip_gram_pairs.append([word_context_pair[1],
word_context_pair[0][1]])
print(skip_gram_pairs[0:10])
[[1, 0], [1, 1], [3, 2], [3, 4], [5, 0], [5, 0], [3, 2], [3, 2], [7, 6], [7, 6]]
위의 skip_gram_pairs는 리스트안에 리스트 형태로 (데이터, 타겟) 형태로 skip-gram 쌍을 구현한 것을 확인할 수 있다. 이것을 batch_size만큼 가져오는 것을 아래와 같이 get_skipgram_batch함수로 구현하였다.
def get_skipgram_batch(batch_size):
instance_indices = list(range(len(skip_gram_pairs)))
np.random.shuffle(instance_indices)
batch = instance_indices[:batch_size]
x = [skip_gram_pairs[i][0] for i in batch]
y = [[skip_gram_pairs[i][1]] for i in batch]
return x, y
# mini-batch example
x_batch, y_batch = get_skipgram_batch(8)
print('x_batch :', x_batch)
print([index2word_map[word] for word in x_batch])
print('-'*30)
print('y_batch :', y_batch)
print([index2word_map[word[0]] for word in y_batch])
x_batch : [0, 7, 1, 1, 8, 8, 2, 1]
['nine', 'seven', 'three', 'three', 'eight', 'eight', 'two', 'three']
------------------------------
y_batch : [[5], [5], [6], [1], [8], [2], [4], [0]]
['one', 'one', 'five', 'three', 'eight', 'two', 'four', 'nine']
이제 입력과 타깃(레이블)에 사용할 텐서플로의 플레이스홀더를 생성해준다.
# 입력 데이터와 레이블
train_inputs = tf.placeholder(tf.int32, shape=[batch_size])
train_labels = tf.placeholder(tf.int32, shape=[batch_size, 1])
6.2.2. 텐서플로에서의 임베딩
텐서플로의 tf.nn.embedding_lookup() 함수를 사용해 임베딩한다. 워드 임베딩은 단어를 벡터로 매핑하는 룩업 테이블(look-up table)로 볼 수 있다.
with tf.name_scope('embeddings'):
embeddings = tf.Variable(
tf.random_uniform([vocabulary_size, embedding_dimension],
-1.0, 1.0), name='embedding')
# This is essentialy a lookup table
embed = tf.nn.embedding_lookup(embeddings, train_inputs)
6.2.3 Noise-Contrastive Estimation(NCE) 손실함수
위에서 skip-gram 모델을 만들 때, '진짜' (단어, 타겟)쌍 뿐만 아니라 '가짜' 노이즈(noise) 쌍도 같이 만들어줘서 학습할때 사용한다고 했다. 따라서, 진짜와 노이즈를 구분할 수 있도록 학습을 시켜야 한다.
텐서플로에서는 이러한 학습을 할 수 있도록 Noise-Constratrive Estimation(NCE)라는 손실함수를 제공한다. tf.nn.nce_loss()를 사용하면 세션 스코프 내에서 손실을 계산할 때 노이즈(가짜) 표본을 자동으로 만들어 준다. NCE의 식은 다음과 같다.
# Create variables for the NCE loss
nce_weights = tf.Variable(
tf.truncated_normal([vocabulary_size, embedding_dimension],
stddev=1.0 / math.sqrt(embedding_dimension)))
nce_biases = tf.Variable(tf.zeros([vocabulary_size]))
# NCE loss
loss = tf.reduce_mean(
tf.nn.nce_loss(weights=nce_weights, biases=nce_biases, inputs=embed, labels=train_labels,
num_sampled=negative_samples, num_classes=vocabulary_size))
tf.summary.scalar('NCE_loss', loss)
<tf.Tensor 'NCE_loss:0' shape=() dtype=string>
6.2.4 학습률 감소
경사 하강법(Gradient Descent) 최적화는 손실함수를 최소화하는 방향으로 조금씩 이동하면서 가중치를 조정한다. learning rate인 는 하이퍼파라미터로서 이동하는 크기를 결정하는 매개변수이다. 학습률 감소(learning rate decay) 기법은 학습이 진행될수록 해당 모델의 손실값이 최저 지점에 수렴하게 되므로 학습률의 크기를 점차 감소시켜, 경사 하강법 최적화 프로세스가 안정화 되도록한다.
tf.train.exponential_decay()은 학습률을 지수적으로 감소시킨다. 이를 식으로 나타내면 다음과 같다.
위의 식에서 는 학습률, 는 decay_step, 는 decay_rate이다. 아래 코드는 1,000 단계마다 학습률을 감소시켜주는 코드이다.
# learning_rate decay
global_step = tf.Variable(0, trainable=False)
learning_rate = tf.train.exponential_decay(learning_rate=0.1,
global_step=global_step,
decay_steps=1000,
decay_rate=0.95,
staircase=True)
train_step = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)
6.2.5 텐서보드를 사용하여 학습하고 시각화하기
tf.Session()내에서 그래프를 학습할 때 텐서보드에 시각화 해줄 부분을 코드로 작성하면 시각화가 가능하다. 2016년 하반기부터 텐서보드에서 고차원 데이터의 임베딩을 시각화하는 기능을 제공하기 시작했다. 텐서보드에 임베딩을 시각화 해주기 위해서는 다음과 같이 해주면 된다.
tsv형식의 메타데이터 파일을 생성한다. 이 파일은 임베딩 벡터를 연관 레이블이나 이미지와 연결한다. 이번 word2vec 예제에서는 각 임베딩 벡터는 해당 단어와 매핑되어 있다.텐서보드에 임베딩 변수를 지정하고 이 변수를 메타데이터 파일에 연결한다.
tf.Session()을 닫기 전에 워드 임베딩 벡터를 단위 길이로 정규화 해준다.
# 모든 요약 연산을 병합
merged = tf.summary.merge_all()
with tf.Session() as sess:
train_writer = tf.summary.FileWriter(LOG_DIR,
graph=tf.get_default_graph())
saver = tf.train.Saver()
with open(os.path.join(LOG_DIR, 'metadata.tsv'), "w") as metadata:
metadata.write('Name\tClass\n')
for k, v in index2word_map.items():
metadata.write('%s\t%d\n' % (v, k))
config = projector.ProjectorConfig()
embedding = config.embeddings.add()
embedding.tensor_name = embeddings.name
# 임베딩을 메타데이터 파일과 연결
embedding.metadata_path = os.path.join(LOG_DIR, 'metadata.tsv')
projector.visualize_embeddings(train_writer, config)
tf.global_variables_initializer().run()
for step in range(1000):
x_batch, y_batch = get_skipgram_batch(batch_size)
summary, _ = sess.run([merged, train_step],
feed_dict={train_inputs: x_batch,
train_labels: y_batch})
train_writer.add_summary(summary, step)
if step % 100 == 0:
saver.save(sess, os.path.join(LOG_DIR, 'w2v_model.ckpt'), step)
loss_value = sess.run(loss, feed_dict={train_inputs: x_batch,
train_labels: y_batch})
print("Loss at %d: %.5f" % (step, loss_value))
# 사용 전 임베딩 정규화
norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keepdims=True))
normalized_embeddings = embeddings / norm
normalized_embeddings_matrix = sess.run(normalized_embeddings)
Loss at 0: 7.45672
Loss at 100: 3.08444
Loss at 200: 2.69164
Loss at 300: 2.58931
Loss at 400: 2.59511
Loss at 500: 2.52665
Loss at 600: 2.55304
Loss at 700: 2.51700
Loss at 800: 2.54071
Loss at 900: 2.41336
6.2.6 임베딩 확인해보기
학습이 끝났으니, 단어벡터들을 확인해 보도록 하자. 아래의 코드는 단어 one을 선택해 one과 코사인 유사도가 가까운 순으로 내림차순하여 정렬한 것이다.
ref_word = normalized_embeddings_matrix[word2index_map['one']]
cosine_dists = np.dot(normalized_embeddings_matrix, ref_word)
ff = np.argsort(cosine_dists)[::-1][1:10]
for f in ff:
print('word: %s\tsim: %.5f' % (index2word_map[f], cosine_dists[f]))
word: nine sim: 0.96554
word: three sim: 0.92132
word: five sim: 0.84002
word: seven sim: 0.72310
word: six sim: 0.11736
word: eight sim: 0.00323
word: two sim: -0.10100
word: four sim: -0.10465
위의 결과에서 확인할 수 있듯이, five, seven, ninge, three와 같이 홀수를 나타내는 단어들이 one과 가깝고 eight, two, four, six의 짝수를 나타내는 단어들은 one과 가깝지 않음을 알 수 있다.
이번에는 터미널(또는 cmd 창)에서 아래의 명령어를 통해 텐서보드(TensorBoard)를 실행시키고, PROJECTOR 탭에서 임베딩된 단어 벡터를 확인해보자.
#LOG_DIR = ./logs/word2vec_intro
tensorboard --logdir=LOG_DIR # logs 디렉터리 경로
6.3 사전 학습된 임베딩과 고급 RNN
위에서 살펴본 word2vec의 워드 임베딩은 텍스트 처리를 위한 유용한 딥러닝 모델이다. 최근 연구에서 주로 사용되는 방법은 word2vec과 같은 방법으로 단어 벡터를 학습한 다음, 이 벡터를 이용해 supervised learning의 classification과 같은 작업을 해준다.
6.3.1 사전 학습된 워드 임베딩
이번에는 사전 학습된 워드 임베딩을 가져와 RNN의 업그레이드 버전인 GRU(Gated Recurrent Unit) 모델링에 적용해보자. 사전 학습된 워드 임베딩은 GloVe라는 임베딩 방법이며 word2vec과 비슷한 방법이다. 자세한 내용은 ratsgo's blog를 참고하면 된다.
학습된 워드 임베딩은 https://nlp.stanford.edu/projects/glove/ 에서 다운로드 받을 수 있으며, 그 중 glove.840B.300d.zip를 사용한다. 다운로드를 받은 후 적절한 위치로 옮겨준 뒤 사용하면 된다.
import zipfile
import numpy as np
import tensorflow as tf
####################
# Hyper Parameters #
####################
path_to_glove = '../data/glove.840B.300d.zip'
PRE_TRAINED = True
GLOVE_SIZE = 300
batch_size = 128
embedding_dimension = 64
num_classes = 2
hidden_layer_size = 32
time_steps = 6
GRU에 사용할 데이터 셋을 만들어 주기 위해 5.3.1 텍스트 시퀀스와 같은 방법으로 홀수/짝수로 구성된 시퀀스 데이터를 만들어 준다.
digit_to_word_map = {1: "One", 2: "Two", 3: "Three", 4: "Four", 5: "Five",
6: "Six", 7: "Seven", 8: "Eight", 9: "Nine"}
digit_to_word_map[0] = "PAD_TOKEN"
odd_sentences = []
even_sentences = []
seqlens = []
for i in range(10000):
rand_seq_len = np.random.choice(range(3, 7))
seqlens.append(rand_seq_len)
rand_odd_ints = np.random.choice(range(1, 10, 2), rand_seq_len)
rand_even_ints = np.random.choice(range(2, 10, 2), rand_seq_len)
# Padding
if rand_seq_len < 6:
rand_odd_ints = np.append(rand_odd_ints, [0]*(6-rand_seq_len))
rand_even_ints = np.append(rand_even_ints, [0]*(6-rand_seq_len))
odd_sentences.append(" ".join([digit_to_word_map[r] for r in rand_odd_ints]))
even_sentences.append(" ".join([digit_to_word_map[r] for r in rand_even_ints]))
data = odd_sentences + even_sentences
# 홀수, 짝수 시퀀스의 seq 길이 저장
seqlens*=2
# 원-핫 인코딩 작업
labels = [1]*10000 + [0]*10000
for i in range(len(labels)):
label = labels[i]
one_hot_encoding = [0]*2
one_hot_encoding[label] = 1
labels[i] = one_hot_encoding
# 단어를 인덱스에 매핑
word2index_map = {}
index = 0
for sent in data:
for word in sent.split():
if word not in word2index_map:
word2index_map[word] = index
index += 1
# 역방향 매핑
index2word_map = {index: word for word, index in word2index_map.items()}
vocabulary_size = len(index2word_map)
print('word2index_map :', word2index_map)
print('index2word_map :', index2word_map)
word2index_map : {'One': 0, 'Nine': 1, 'Three': 2, 'Seven': 3, 'Five': 4, 'PAD_TOKEN': 5, 'Four': 6, 'Six': 7, 'Two': 8, 'Eight': 9}
index2word_map : {0: 'One', 1: 'Nine', 2: 'Three', 3: 'Seven', 4: 'Five', 5: 'PAD_TOKEN', 6: 'Four', 7: 'Six', 8: 'Two', 9: 'Eight'}
가상의 데이터셋을 만든 다음, 다운로드 받은 GloVe 임베딩에서 위에서 만들어준 가상의 단어(One ~ Nine)에 해당하는 GloVe 벡터를 가져온다.
def get_glove(path_to_glove, word2index_map):
embedding_weights = {}
count_all_words = 0
with zipfile.ZipFile(path_to_glove) as z:
with z.open("glove.840B.300d.txt") as f:
for line in f:
vals = line.split()
word = str(vals[0].decode('utf-8'))
if word in word2index_map:
print(word)
count_all_words += 1
coefs = np.asarray(vals[1:], dtype='float32')
coefs /= np.linalg.norm(coefs)
embedding_weights[word] = coefs
if count_all_words == vocabulary_size-1:
break
return embedding_weights
word2embedding_dict = get_glove(path_to_glove, word2index_map)
print(word2embedding_dict['One'].shape)
One
Two
Three
Four
Five
Six
Seven
Nine
Eight
(300,)
이제 이 벡터들이 텐서플로에서 사용할 수 있도록 형태를 변환해줘야 한다.
embedding_matrix = np.zeros((vocabulary_size, GLOVE_SIZE))
for word, index in word2index_map.items():
if not word == "PAD_TOKEN":
word_embedding = word2embedding_dict[word]
embedding_matrix[index, :] = word_embedding
print('embedding_matrix.shape :', embedding_matrix.shape)
embedding_matrix.shape : (10, 300)
다음으로 홀수 문장과 짝수 문장을 분류하는 모델을 만들기전에 학습/테스트 데이터셋이 필요하다.
data_indices = list(range(len(data)))
np.random.shuffle(data_indices)
data = np.array(data)[data_indices]
labels = np.array(labels)[data_indices]
seqlens = np.array(seqlens)[data_indices]
train_x = data[:10000]
train_y = labels[:10000]
train_seqlens = seqlens[:10000]
test_x = data[10000:]
test_y = labels[10000:]
test_seqlens = seqlens[10000:]
그런다음, 데이터를 배치크기(batch_size)만큼 가져오는 함수를 만들어 준다.
def get_sentence_batch(batch_size, data_x, data_y, data_seqlens):
instance_indices = list(range(len(data_x)))
np.random.shuffle(instance_indices)
batch = instance_indices[:batch_size]
x = [[word2index_map[word] for word in data_x[i].split()]
for i in batch]
y = [data_y[i] for i in batch]
seqlens = [data_seqlens[i] for i in batch]
return x, y, seqlens
이제, 데이터에 사용할 플레이스홀더를 만들어 준다.
_inputs = tf.placeholder(tf.int32, shape=[batch_size, time_steps])
embedding_placeholder = tf.placeholder(tf.float32, [vocabulary_size, GLOVE_SIZE])
_labels = tf.placeholder(tf.float32, shape=[batch_size, num_classes])
# 동적 계산을 위한 seqlens
_seqlens = tf.placeholder(tf.int32, shape=[batch_size])
위에서 만든 embedding_placeholder에 단어 벡터들을 넣어준다. 만약 PRE_TRAINED = False일 경우 균등분포에서 랜덤한 값을 넣어준다.
if PRE_TRAINED:
embeddings = tf.Variable(
tf.constant(0.0, shape=[vocabulary_size, GLOVE_SIZE]), trainable=True)
# 사전 학습된 임베딩을 사용한다면 임베딩 변수에 할당
embedding_init = embeddings.assign(embedding_placeholder)
embed = tf.nn.embedding_lookup(embeddings, _inputs)
else:
embeddings = tf.Variable(
tf.random_uniform([vocabulary_size, embedding_dimension], -1.0, 1.0))
embed = tf.nn.embedding_lookup(embeddings, _inputs)
위의 코드에서 embeddings는 assign()함수를 사용해 embedding_placeholder의 값으로 초기화 된다. trainable=True로 설정하여 텐서플로가 학습에 맞춰 단어 벡터의 값을 최적화하도록 해준다.
6.3.2 양방향 RNN과 GRU Cell
Bidirectional RNN(BRNN)
양방향 RNN(이하, Bidirectional RNN)은 5.2 RNN 소개에서 알아본 RNN을 확장한 모델이다. Bidirectional RNN(BRNN)은 아래의 그림(출처: colah's blog)처럼 왼쪽에서 오른쪽(, Forward) 시퀀스를 읽는 layer와 오른쪽에서 왼쪽(, Backward)으로 시퀀스를 읽는 두 개의 RNN layer로 구성되어 있다.
BRNN은 양방향으로부터 시퀀스의 과거 정보(t 기준 t-1, t-2, ...)와 미래 정보(t기준 t+1, t+2, ...) 둘다를 사용하기 때문에 기존 RNN 보다는 더 좋은 성능을 기대할 수 있다.
GRU(Gated Recurrent Unit) Cell
GRU는 LSTM Cell의 간소화 버전이라고 할 수 있으며, Cho, et al.(2014)에 제안되었다.LSTM과 다른점은 다음과 같다. (그림 출처: colah's blog)
GRU는
Reset Gate()와Update Gate() 2개의 게이트로 이루어져있다.LSTM에서
forget gate와input gate를 GRU에서는 update gate()로 합쳐 주었다.LSTM에서
forget gate역할이 와 둘 다에 나눠졌다고 볼 수 있다.출력값()를 계산할 때 추가적인 비선형(nonlinearity) 함수를 적용하지 않는다.
텐서플로에서는 BRNN layer를 위한 tf.nn.dynamic_rnn()의 확장판인 tf.nn.bidirectional_dynamic_rnn()을 제공한다. 인자로는 Forward에 해당하는 cell_fw와 Backward에 해당하는 cell_bw Cell이 필요하다. 이번 예제에서는 GRUCell()을 사용하고 DropoutWrapper()를 사용해 정규화를 위한 드롭아웃을 추가한다.
with tf.name_scope('biGRU'):
with tf.variable_scope('forward'):
gru_fw_cell = tf.nn.rnn_cell.GRUCell(hidden_layer_size)
gru_fw_cell = tf.nn.rnn_cell.DropoutWrapper(gru_fw_cell)
with tf.variable_scope('backward'):
gru_bw_cell = tf.nn.rnn_cell.GRUCell(hidden_layer_size)
gru_bw_cell = tf.nn.rnn_cell.DropoutWrapper(gru_bw_cell)
outputs, states = tf.nn.bidirectional_dynamic_rnn(cell_fw=gru_fw_cell,
cell_bw=gru_bw_cell,
inputs=embed,
sequence_length=_seqlens,
dtype=tf.float32,
scope='biGRU')
states = tf.concat(values=states, axis=1)
위의 코드에서 tf.concat() 부분은 forward 및 backward의 상태 벡터(state vector)를 합쳐주는 부분이다. 아래의 코드는 학습을 위한 손실함수 및 최적화 함수를 정의해주는 부분이다.
weights = {
'linear_layer': tf.Variable(tf.truncated_normal([2*hidden_layer_size, num_classes],
mean=0, stddev=.01))
}
biases = {
'linear_layer': tf.Variable(tf.truncated_normal([num_classes],
mean=0, stddev=.01))
}
# 최종 상태(states)를 뽑아 선형 계층에 적용
final_output = tf.matmul(states, weights['linear_layer']) + biases['linear_layer']
# loss function
cross_entropy = tf.reduce_mean(
tf.nn.softmax_cross_entropy_with_logits_v2(logits=final_output, labels=_labels))
# optimizer
train_step = tf.train.RMSPropOptimizer(0.001, 0.9).minimize(cross_entropy)
# accuracy
correct_prediction = tf.equal(tf.argmax(_labels, 1), tf.argmax(final_output, 1))
accuracy = (tf.reduce_mean(tf.cast(correct_prediction, tf.float32)))*100
이제 학습할 준비가 다 되었으므로 embedding_placeholder에 embedding_matrix를 넣어 초기화 해준다.
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
sess.run(embedding_init, feed_dict={embedding_placeholder: embedding_matrix})
for step in range(1000):
x_batch, y_batch, seqlen_batch = get_sentence_batch(batch_size, train_x,
train_y, train_seqlens)
sess.run(train_step, feed_dict={_inputs: x_batch, _labels: y_batch,
_seqlens: seqlen_batch})
if step % 100 == 0:
acc = sess.run(accuracy, feed_dict={_inputs: x_batch,
_labels: y_batch,
_seqlens: seqlen_batch})
print("Accuracy at %d: %.5f" % (step, acc))
norm = tf.sqrt(tf.reduce_sum(tf.square(embeddings), 1, keepdims=True))
normalized_embeddings = embeddings / norm
normalized_embeddings_matrix = sess.run(normalized_embeddings)
for test_batch in range(5):
x_test, y_test, seqlen_test = get_sentence_batch(batch_size,
test_x, test_y,
test_seqlens)
batch_pred, batch_acc = sess.run([tf.argmax(final_output, 1), accuracy],
feed_dict={_inputs: x_test,
_labels: y_test,
_seqlens: seqlen_test})
print("Test batch accuracy %d: %.5f" % (test_batch, batch_acc))Accuracy at 0: 53.12500 Accuracy at 100: 99.21875 Accuracy at 200: 100.00000 Accuracy at 300: 100.00000 Accuracy at 400: 100.00000 Accuracy at 500: 100.00000 Accuracy at 600: 100.00000 Accuracy at 700: 100.00000 Accuracy at 800: 100.00000 Accuracy at 900: 100.00000 Test batch accuracy 0: 100.00000 Test batch accuracy 1: 100.00000 Test batch accuracy 2: 100.00000 Test batch accuracy 3: 100.00000 Test batch accuracy 4: 100.00000
ref_word = normalized_embeddings_matrix[word2index_map["Three"]]
cosine_dists = np.dot(normalized_embeddings_matrix, ref_word)
ff = np.argsort(cosine_dists)[::-1][1:10]
for f in ff:
print(index2word_map[f])
print(cosine_dists[f])Three 0.99999994 Five 0.9486149 Seven 0.90679646 Nine 0.88025707 One 0.858389 Four -0.07447048 Two -0.07670544 Eight -0.10763501 Six -0.10925646
6.4 마무리
이번 장에서는 워드 임베딩 기법 중 word2vec을 구현해 보았고, 텐서보드(TensorBoard)를 이용해 3차원으로 시각화 작업을 진행했다. 그리고 사전에 학습된 GloVe 워드 임베딩을 이용해 Bidirectional RNN 모델을 GRU cell을 이용해 구현하였다.
위에서 설명한 전체 코드는 아래의 링크에서 확인할 수 있다.
word2vec 구현 및 텐서보드 시각화 : word2vec.py
GRU 구현 및 GloVe pre-trained 임베딩: GRU_pretrained_GloVe.py