호다닥 공부해보는 RNN 친구들(1) - RNN(Recurrent Neural Networks)

Overview

호다닥 공부해보는 시리즈가 2편째가 되었습니다. 이번에는 머신러닝의 꽃이라고도 불리는 RNN을 들고 왔습니다. 다음 포스팅에서는 RNN친구들인 LSTM과 GRU도 소개하도록 하겠습니다.

RNN?

Concept

RNN은 그 이름에서 알 수 있듯이, Recurrent한 모델입니다.
다시말하면, input->RNN->output->input->RNN->output….이러한 구조가 계속 반복되는 모델입니다.
생긴게 1자로 쭉 이어져서 sequence한 모델이라고도 합니다.
아래 사진은 위에서 언급한 RNN의 성질을 표현한 그림입니다.

A의 꼬부랑선은 단순히 아래 그림처럼 반복된다는 것을 표현한 선입니다.

이전 단계에서의 결과가 다음단계의 입력이 되는 순환적인 구조를 띄고 있기에 RNN은 연속적인 이벤트, 또는 자연어 처리 용도로 사용되어 왔습니다.

연속적인 이벤트 :

자연어 처리 :

이전단계의 결과를 다음 단계의 입력으로 사용하는 순환적인 구조는, 과거의 일을 토대로 미래를 예측할 수 있게 해줍니다.

Deep Dive

그럼 지금부터는 수식을 통해 RNN을 좀 더 자세히 알아보겠습니다.

위의 그림에 수식에 필요한 변수들을 적어둔 그림입니다.

한눈에 봐서는 선뜻 이해가 가지 않을 것입니다. 지금부터는 해당 그림을 차근차근 설명하도록 하겠습니다.

알아두어야 할 정보

RNN은 앞서 말씀드렸듯이 Recurrent한 모델입니다. 그렇기 때문에 Input값(X)과 hidden state(h), Output(Y)값을 제외하고는 모든 변수가 같습니다.
하나의 RNN모델에서 각 값을 위한 가중치값(W), 활성화함수(f)는 변하지 않습니다.

또한 이 예제에서 bias(b)값은 제외하고 설명하겠습니다.

Input(Initial)

RNN에서의 Input은 이전 state의 정보를 포함하고 있기 때문에 이전 state의 hidden state값이 반드시 필요합니다.
하지만 이번 단계에서는 이해하기 쉽게 초기상태라고 가정해봅시다.

hidden state : 시간 t일때의 상태. output과 같다고 생각할 수 있지만 hidden state를 용도에 맞게 정제한 결과가 output이라고 생각하면 됨.

초기상태에서는 이전 state의 hidden state값이 없으니 들어온 Input만으로 처리해야 합니다.

초기 상태의 Input값은 X0이라고 정의하고 Input값을 위한 가중치를 Wx라고 했을때 각 변수를 곱하고 활성화 함수 f를 적용한 값이 hidden state가 됩니다.

Activation Function

앞선 과정에서 “활성화 함수 f”를 적용한다고 했습니다.
RNN에서 주로 사용하는 활성화함수는 비선형 함수인 Sigmoid, tanh가 있습니다.

여기서 잠시 이런 의문이 드실 수도 있습니다.

relu도 비선형함수 아닌가? sigmoid나 tanh보다 성능이 좋다고 들었던 것 같은데…

네, relu도 비선형함수입니다. 하지만 relu의 그래프의 모양을 잘 기억해 봅시다.

위 사진을 참고해서 보면 Sigmoid와 tanh는 값들이 -1~1사이에 분포해있습니다. (Sigmoid는 0~1)
반면에 relu는 x축이 양수가 되는 지점에서 y=x그래프의 형상을 보이고 있습니다.

RNN계열은 계속 같은 레이어를 여러번 반복하는 성질을 가지고 있기 때문에 1보다 큰 값이 들어오게 되면 반복하면서 값이 너무 커질 수 있습니다.

예를 들어 1.1의 100승을 생각해봅시다. 1보다 고작 0.1밖에 크지 않지만 13,780.6123398…이라는 어마어마한 값이 나오게 됩니다.

그래서 RNN 내부에서는 relu가 아닌 Sigmoid나 tanh를 사용합니다.

물론 RNN외부에서는 relu가 더 좋은 성능을 발휘하겠죠

Input(next state)

t=0에서의 hidden state도 구했으니 다음 state로 넘어가봅시다.

초기상태의 Input 계산과 똑같습니다. 달라진건 0번째 hidden state의 계산이 추가된 것 뿐입니다.

정리하면:
0번째 hidden state와 그 가중치의 곱 + 1번째 Input값과 그 가중치의 곱 = 1번째 hidden state
가 되겠습니다.

이와같이 각 hidden state는 이전 state들의 정보를 모두 포함하고 있습니다. 이러한 특징때문에 연속적인 이벤트처리나 자연어 처리같은 곳에 쓰이게 됩니다.

Output

hidden state가 Output아니냐! 할 수 있지만 저 위의 식을 보세요. 과연 hidden state가 유저가 원하는 결과를 보여줄 수 있을까요? 아마 한번보고는 이해할 수 없는 숫자일 것입니다.

예를 들어서 이진 분류를 해야하는 경우라면 Sigmoid함수를 사용할 수 있고 다양한 카테고리 중에서 선택해야하는 문제라면 Softmax함수를 사용하게 될 것입니다.

요번 예제에서는 softmax를 사용한 분류를 살펴봅시다.

1번 상태에서의 hidden state값에 가중치 Wy(이 값에 따라 벡터의 크기가 결정됩니다.)를 곱한 값이 초기 출력값 Y1입니다.

그 다음 one-hot-encoding을 해 주면 쉽게 분류할 수 있습니다.

Generalization

위의 과정들을 일반화 시키면 다음과 같은 식을 얻을 수 있습니다.

(단계t일때,)
hidden state(h)

output(y)

Code (Keras)

다음 코드는 Keras로 구현된 가장 기본적인 RNN layer입니다.

model.add(SimpleRNN(hidden_size, input_shape=(timesteps, input_dim)))

Keras Doc : SimpleRNN

hidden_size : 다음 step의 input으로 보낼 데이터의 크기, units이라고도함.
timesteps(=input_length) : step의 수
input_dim : input 데이터의 크기

다음 예제코드를 보겠습니다.

from keras.models import Sequential
from keras.layers import SimpleRNN

model = Sequential()
model.add(SimpleRNN(3, input_shape=(2,5)))
model.summary()

###########################################
# output : model summary
###########################################

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn_1 (SimpleRNN)    (None, 3)                 27        
=================================================================
Total params: 27
Trainable params: 27
Non-trainable params: 0

한눈에 보는 그림 :

hidden_size=3 : output_dim의 크기
timesteps(=input_length)=2 : step의 수는 2
input_dim=5 : input 데이터의 크기는 5, 고로 input의 가중치W는 (input_dim, hidden_size)의 행렬

Bidirectional RNN

Concept

양방향 순환 신경망(Bidirectional RNN)은 과거의 정보만 활용하던 기존의 RNN과 달리 미래의 정보까지 활용하는 RNN입니다.

예를 들어, 다음과 같은 문장을 봅시다.

“오늘 엄청 맛있는 고기를 먹었는데 기분이 _____, 아니 글쎄 고기가 상해서 병원에 갔지 뭐야”

1. 좋았어
2. 나빴어

이 문장에서 빈칸에 들어갈 단어를 과거의 문장만 보고서는 제대로 맞출 수 있을까요?

빈 칸 이전의 문장은 맛있는 고기를 먹었다는 정보밖에 없기 때문에 긍정적인 답을 생각할 수 있겠지만, 빈 칸 이후의 문장은 상한 고기를 먹고 병원에 갔다는 내용이기 때문에 결국 빈 칸에는 부정적인 답이 오게 됩니다.

이와 같이 과거의 정보만으로는 제대로 예측할 수 없는 상황이 있기 때문에 미래의 정보도 활용하도록 고안된 RNN이 Bidirectional RNN입니다.

A는 정방향(과거->미래)으로 진행되는 보통의 RNN계산과 같음.
A’는 역방향(미래->과거)로 진행되며 계산 자체는 보통 RNN과 같다.(반대로 이뤄질 뿐)

t시점의 결과값은 hidden layer h(t)와 h’(t)의 concatinate를 통해 얻을 수 있다.

수식 :

한줄요약

Simple RNN은 과거의 정보만을 사용, Bidirectional RNN은 과거와 미래 두개의 정보를 사용하여 학습한다!

---