03. 오차역전파 - BackPropagation
'밑바닥부터 시작하는 딥러닝' 교재로 공부한 것을 정리한 것입니다. 아래의 이미지들은 해당 교재의 GitHub에서 가져왔으며, 혹시 문제가 된다면 이 포스팅은 삭제하도록 하겠습니다.. ㅜㅜ
오차역전파법 Backpropagation
신경망 학습에서는 가중치 매개변수의 기울기를 미분을 이용해 구했다. 이러한 방법은 간단하지만 시간이 오래 걸리는 단점이 있다. 이번 포스팅에서는 가중치 매개변수의 기울기를 효율적으로 계산하는 오차역전파법(backpropagation)에 대해 알아보도록 하자.
1. 계산 그래프
계산 그래프(computational graph)는 계산 과정을 그래프로 나타낸 것이며, 노드(node)와 엣지(edge)로 표현된다. 노드는 연산을 정의하며, 엣지는 데이터가 흘러가는 방향을 나타낸다.
1.1 계산 그래프 방법
다음의 예를 계산 그래프 방법으로 풀어보도록 하자.
현빈 군은 슈퍼에서 사과를 2개, 귤을 3개 샀습니다. 사과는 1개에 100원, 귤은 1개 150원입니다. 소비세가 10%일 때 지불 금액을 구하라.
계산 그래프를 구성한다.
그래프에서 계산을 왼쪽에서 오른쪽으로 진행한다. → 순전파(forward propagation)
1.2 국소적 계산
계산 그래프의 특징은 '국소적 계산'을 통해 최종 결과를 얻는 것이다. 즉, '자신과 직접 관계된' 범위 내에서만 계산이 이루어 진다.
1.3 왜 계산 그래프로 푸는가?
계산그래프의 장점은 다음과 같다.
국소적 계산을 통해 각 노드의 계산에 집중하여 문제를 단순화할 수 있다.
역전파를 통해 '미분'을 효율적으로 계산할 수 있다.
'사과 가격이 오르면 최종 금액에 어떠한 영향을 주는가'에 대해서 사과 가격에 대한 지불 금액의 미분을 구해 계산할 수 있다. 사과의 값을 , 지불 금액을 라 했을 때, 를 구하는 것이다. 이러한 미분 값은 사과 값()가 '아주 조금'올랐을 때 지불 금액()이 얼마나 증가하는지를 나타낸다.
2. 연쇄 법칙 - Chain Rule
2.1 계산 그래프의 역전파
먼저, 역전파 계산 예제로 의 역전파를 계산해보자.
위의 그림에서 처럼 역전파 계산 순서는 신호 에 노드()의 국소적 미분 을 곱한 후 엣지(edge)를 통해 다음 노드로 전달하는 것이다. 여기서 국소적 미분은 순전파 때의 에 대한 미분을 구하는 것이고, 이것은 에 대한 의 미분 을 구한다는 의미이다.
2.2 연쇄법칙이란?
연쇄법칙은 다음과 같이 정의할 수 있다.
합성함수의 미분은 합성 함수를 구성하는 각 함수의 미분의 곱으로 나타낼 수 있다.
2.3 연쇄법칙과 계산 그래프
2.2의 예제 식을 계산 그래프로 나타내면 다음과 같다.
3. 역전파
3.1 덧셈 노드의 역전파
덧셈 노드의 역전파는 입력값을 그대로 흘려보낸다. 이를 보고 gradient distributor라고 하기도 한다.
위의 계산은 큰 계산 그래프의 중간 어딘가에 존재한다고 가정했기 때문에, 이 계산 그래프의 앞부분(상류)에서부터 가 전해졌다고 가정한다.
3.2 곱셈 노드의 역전파
곱셈 노드의 역전파는 입력값의 위치를 서로 바꾼 다음 곱해서 흘려보낸다. 이를 보고 gradient switcher라고 부르기도 한다.
4 단순한 계층 구현하기
4.1 곱셈 계층
forward()는 순전파, backward()는 역전파이다.
class MulLayer:
def __init__(self):
self.x = None
self.y = None
def forward(self, x, y):
self.x = x
self.y = y
out = x * y
return out
def backward(self, dout):
dx = dout * self.y # x와 y를 바꾼다.
dy = dout * self.x
return dx, dy
apple = 100
apple_num = 2
tax = 1.1
# 계층들
mul_apple_layer = MulLayer()
mul_tax_layer = MulLayer()
# 순전파
apple_price = mul_apple_layer.forward(apple, apple_num)
price = mul_tax_layer.forward(apple_price, tax)
print('%d' % price)
# 역전파
dprice = 1
dapple_price, dtax = mul_tax_layer.backward(dprice)
dapple, dapple_num = mul_apple_layer.backward(dapple_price)
print("%.1f, %d, %d" % (dapple, dapple_num, dtax))220
2.2, 110, 200
4.2 덧셈 계층
class AddLayer:
def __init__(self):
pass
def forward(self, x, y):
out = x + y
return out
def backward(self, dout):
dx = dout * 1
dy = dout * 1
return dx, dy
apple = 100
apple_num = 2
orange = 150
orange_num = 3
tax = 1.1
# 계층들
mul_apple_layer = MulLayer()
mul_orange_layer = MulLayer()
add_apple_orange_layer = AddLayer()
mul_tax_layer = MulLayer()
# 순전파
apple_price = mul_apple_layer.forward(apple, apple_num)
orange_price = mul_orange_layer.forward(orange, orange_num)
all_price = add_apple_orange_layer.forward(apple_price, orange_price)
price = mul_tax_layer.forward(all_price, tax)
# 역전파
dprice = 1
dall_price, dtax = mul_tax_layer.backward(dprice)
dapple_price, dorange_price = add_apple_orange_layer.backward(dall_price)
dorange, dorange_num = mul_orange_layer.backward(dorange_price)
dapple, dapple_num = mul_apple_layer.backward(dapple_price)
print('%d' % price)
print("%d, %.1f, %.1f, %d, %d" % (dapple_num, dapple, dorange, dorange_num, dtax))715
110, 2.2, 3.3, 165, 650
5 활성화 함수 계층 구현하기
5.1 ReLU 계층
ReLU의 식은 다음과 같다.
위의 식에서 에 대한 의 미분은 아래와 같다.
import numpy as np# common/layers.py
class Relu:
def __init__(self):
self.mask = None
def forward(self, x):
self.mask = (x <= 0)
out = x.copy()
out[self.mask] = 0
return out
def backward(self, dout):
dout[self.mask] = 0
dx = dout
return dx
위의 Relu 클래스에서 mask 인스턴스 변수는 아래와 같이 True/False로 구성되는 NumPy 배열이다.
x = np.array([[1., -.5],
[-2., 3.]])
print('x:\n', x)
mask = (x <= 0)
print('mask:\n', mask)x:
[[ 1. -0.5]
[-2. 3. ]]
mask:
[[False True]
[ True False]]
5.2 Sigmoid 계층
# common/layers
class Sigmoid:
def __init__(self):
self.out = None
def forward(self, x):
out = 1 / (1 + np.exp(-x))
self.out = out
return out
def backward(self, dout):
dx = dout * (1.0 - self.out) * self.out
return dx
6 Affine/Softmax 계층 구현하기
6.1 Affine 계층
6.2 배치용 Affine 계층
# common/layers.py
class Affine:
def __init__(self, W, b):
self.W = W
self.b = b
self.x = None
self.dW = None
self.db = None
def forward(self, x):
self.x = x
out = np.dot(x, self.W) + self.b
return out
def backward(self, dout):
dx = np.dot(dout, self.W.T)
self.dW = np.dot(self.x.T, dout)
self.db = np.sum(dout, axis=0)
return dx
6.3 Softmax-with-Loss 계층
딥러닝에서는 학습과 추론 두 가지가 있다. 일반적으로 추론일 때는 Softmax 계층(layer)을 사용하지 않는다. Softmax 계층 앞의 Affine 계층의 출력을 점수(score)라고 하는데, 딥러닝의 추론에서는 답을 하나만 예측하는 경우에는 가장 높은 점수만 알면 되므로 Softmax 계층이 필요없다. 반면, 딥러닝을 학습할 때는 Softmax 계층이 필요하다.
소프트맥스(softmax) 계층을 구현할때, 손실함수인 교차 엔트로피 오차(cross entropy error)도 포함하여 아래의 그림과 같이 Softmax-with-Loss 계층을 구현한다.
# common/layers.py
import os, sys
sys.path.append(os.pardir) # 부모 디렉터리의 파일을 가져올 수 있도록 설정
import numpy as np
from common.functions import softmax, cross_entropy_error
class SoftmaxWithLoss:
def __init__(self):
self.loss = None # 손실
self.y = None # softmax의 출력
self.t = None # 정답 레이블(one-hot)
def forward(self, x, t):
self.t = t
self.y = softmax(x)
self.loss = cross_entropy_error(self.y, self.t)
return self.loss
def backward(self, dout=1):
batch_size = self.shape[0]
dx = (self.y - self.t) / batch_size
return dx
7. 오차역전파법 구현하기
7.1 신경망 학습의 전체 그림
딥러닝은 손실함수의 값이 최소로 되도록 가중치와 편향인 매개변수를 조정하는 과정을 학습이라고 한다. 딥러닝 학습은 다음 4단계와 같다.
미니배치(mini-batch) : Train 데이터 중 랜덤하게 샘플을 추출하는데 이것을 미니배치라고 하며, 미니배치의 손실함수 값을 줄이는 것이 학습의 목표이다.
기울기 계산 : 손실함수의 값을 작게하는 방향을 가리키는 가중치() 매개변수의 기울기를 구한다.
매개변수 갱신 : 가중치 매개변수를 기울기 방향으로 학습률(learning rate)만큼 갱신한다.
반복 1~3 단계를 반복한다.
7.2 오차역전파법을 적용한 신경망 구현하기
# two_layer_net.py
import sys,os
sys.path.append(os.pardir) # 부모 디렉터리의 파일을 가져올 수 있도록 설정
import numpy as np
from collections import OrderedDict
from common.layers import *
from common.gradient import numerical_gradient
class TwoLayerNet:
'''2층 신경망 구현'''
def __init__(self, input_size,
hidden_size, output_size, weight_init_std=0.01):
'''
초기화 수행
Params:
- input_size: 입력층 뉴런 수
- hidden_size: 은닉층 뉴런 수
- output_size: 출력층 뉴런 수
- weight_init_std: 가중치 초기화 시 정규분포의 스케일
'''
# 가중치 초기화
self.params = {
'W1': weight_init_std * np.random.randn(input_size, hidden_size),
'b1': np.zeros(hidden_size),
'W2': weight_init_std * np.random.randn(hidden_size, output_size),
'b2': np.zeros(output_size)
}
# 계층 생성
self.layers = OrderedDict({
'Affine1': Affine(self.params['W1'], self.params['b1']),
'Relu1': Relu(),
'Affine2': Affine(self.params['W2'], self.params['b2'])
})
self.last_layer = SoftmaxWithLoss()
def predict(self, x):
'''예측(추론)
Pararms:
- x: 이미지 데이터'''
for layer in self.layers.values():
x = layer.forward(x)
return x
def loss(self, x, t):
'''
손실함수의 값을 계산
Params:
- x: 이미지데이터, t: 정답 레이블
'''
y = self.predict(x)
return self.last_layer.forward(y, t)
def accuracy(self, x, t):
'''
정확도 계산
Params:
- x: 이미지 데이터
- t: 정답 레이블
'''
y = self.predict(x)
y = np.argmax(y, axis=1)
if t.ndim != 1:
t = np.argmax(t, axis=1)
accuracy = np.sum(y==t) / float(x.shape[0])
return accuracy
def numerical_gradient(self, x, t):
'''
미분을 통한 가중치 매개변수의 기울기 계산
Params:
- x: 이미지 데이터
- t: 정답 레이블
'''
loss_W = lambda W: self.loss(x, t)
grads = {
'W1': numerical_gradient(loss_W, self.params['W1']),
'b1': numerical_gradient(loss_W, self.params['b1']),
'W2': numerical_gradient(loss_W, self.params['W2']),
'b2': numerical_gradient(loss_W, self.params['b2'])
}
return grads
def gradient(self, x, t):
# forward
self.loss(x, t)
# backward
dout = 1
dout = self.last_layer.backward(dout)
layers = list(self.layers.values())
layers.reverse()
for layer in layers:
dout = layer.backward(dout)
# 결과 저장
grads = {
'W1': self.layers['Affine1'].dW, 'b1': self.layers['Affine1'].db,
'W2': self.layers['Affine2'].dW, 'b2': self.layers['Affine2'].db
}
return grads
7.3 오차역전파법으로 구한 기울기 검증하기
수치 미분을 통해 구한 기울기와 오차역전파법의 결과를 비교하여 오차역전파를 제대로 구현했는지 검증하는 작업을 기울기 확인(gradient check)이라고 한다.
%%time
# gradient_check.py
import sys, os
sys.path.append(os.pardir)
import numpy as np
from dataset.mnist import load_mnist
# mnist load
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True)
network = TwoLayerNet(input_size=28*28, hidden_size=50, output_size=10)
x_batch = x_train[:3]
t_batch = t_train[:3]
grad_numerical = network.numerical_gradient(x_batch, t_batch)
grad_backprop = network.gradient(x_batch, t_batch)
# 각 가중치의 절대 오차의 평균을 구한다.
for key in grad_numerical.keys():
diff = np.average(np.abs(grad_backprop[key] - grad_numerical[key]))
print(key,":", str(diff))W1 : 4.479721446541244e-10
b1 : 2.5485543061868916e-09
W2 : 4.349602602871501e-09
b2 : 1.393278526204411e-07
Wall time: 6.78 s
7.4 오차역전파법을 사용한 학습 구현하기
%%time
# train_neuralnet.py
import sys, os
sys.path.append(os.pardir)
import numpy as np
from dataset.mnist import load_mnist
# mnist load
(x_train, t_train), (x_test, t_test) = load_mnist(normalize=True)
network = TwoLayerNet(input_size=28*28, hidden_size=50, output_size=10)
# Train Parameters
iters_num = 10000
train_size = x_train.shape[0]
batch_size = 100
learning_rate = 0.1
iter_per_epoch = max(train_size / batch_size, 1)
train_loss_list, train_acc_list, test_acc_list = [], [], []
for step in range(1, iters_num+1):
# get mini-batch
batch_mask = np.random.choice(train_size, batch_size)
x_batch = x_train[batch_mask]
t_batch = t_train[batch_mask]
# 기울기 계산
#grad = network.numerical_gradient(x_batch, t_batch) # 수치 미분 방식
grad = network.gradient(x_batch, t_batch) # 오차역전파법 방식(압도적으로 빠르다)
# Update
for key in ('W1', 'b1', 'W2', 'b2'):
network.params[key] -= learning_rate * grad[key]
# loss
loss = network.loss(x_batch, t_batch)
train_loss_list.append(loss)
if step % iter_per_epoch == 0:
train_acc = network.accuracy(x_train, t_train)
test_acc = network.accuracy(x_test, t_test)
train_acc_list.append(train_acc)
test_acc_list.append(test_acc)
print('Step: {:4d}\tTrain acc: {:.5f}\tTest acc: {:.5f}'.format(step,
train_acc,
test_acc))
print('Optimization finished!')Step: 600 Train acc: 0.90450 Test acc: 0.90560
Step: 1200 Train acc: 0.92288 Test acc: 0.92570
Step: 1800 Train acc: 0.93220 Test acc: 0.93200
Step: 2400 Train acc: 0.94605 Test acc: 0.94460
Step: 3000 Train acc: 0.95430 Test acc: 0.95210
Step: 3600 Train acc: 0.95993 Test acc: 0.95870
Step: 4200 Train acc: 0.96360 Test acc: 0.95870
Step: 4800 Train acc: 0.96682 Test acc: 0.96320
Step: 5400 Train acc: 0.96930 Test acc: 0.96380
Step: 6000 Train acc: 0.97108 Test acc: 0.96450
Step: 6600 Train acc: 0.97318 Test acc: 0.96690
Step: 7200 Train acc: 0.97557 Test acc: 0.96890
Step: 7800 Train acc: 0.97698 Test acc: 0.96760
Step: 8400 Train acc: 0.97808 Test acc: 0.96990
Step: 9000 Train acc: 0.97835 Test acc: 0.97030
Step: 9600 Train acc: 0.98035 Test acc: 0.97020
Optimization finished!
Wall time: 26.6 s
8. 정리
계산 그래프를 이용하면 계산 과정을 시각적으로 파악할 수 있다.
계산 그래프의 노드는 국소적 계산으로 구성된다. 국소적 계산을 조합해 전체 계산을 구성한다.
계산 그래프의 순전파는 통상의 계산을 수행한다. 한편, 계산 그래프의 역전파로는 각 노드의 미분을 구할 수 있다.
신경망의 구성 요소를 계층으로 구현하여 기울기를 효율적으로 계산할 수 있다(오차역전파법).
수치 미분과 오차역전파법의 결과를 비교하면 오차역전파법의 구현에 잘못이 없는지 확인할 수 있다(기울