RNN의 변형 LSTM, GRU

Outline

1. LSTM
2. GRU
3. seq2seq Attention

LSTM

• LSTM은 언어, 음성인식과 같은 다양한 분야에서 사용된다.
• RNN에서 gradient vanishing을 해결할 수 있다.

LSTM Cell

• 단순히 activation만 하는것이 아니라 시간적인 흐름을 조절해서 메모리를 잊어버릴지 유지할지 제어하는 네트워크가 심어져 있다.

• LSTM Cell은 RNN Cell의 장기 의존성 문제를 해결하며, 빠르게 학습이 가능하다.

• RNN과 같은 체인구조를 가지고 있지만, 반복모듈의 구조가 다르다.

3gates : f_t, i_t, o_t
2 outputs: h_t, C_t
4 params: W_i, W_f, W_o, W_h

_{이미지 참고: colah’s blog}

Forget Mechanism

• 과거의 정보를 기억할지 잊을지를 결정하는 단계이다.
• forget mechanism은 hidden unit(h_t-1)과 input을 받아 sigmoid를 통과한다
• f_t = 𝜎(W_f x [h_t-1, x_t] + b_f)
  

Input Mechanism

• 현재의 정보를 잊을지 기억할지 결정하는 gate이다.
• input mechanism은 hidden unit(h_t-1)과 input을 받아 sigmoid와 tanh를 통과 하여 C_t를 생성한다.
• i_t = 𝜎(W_i x [h_t-1, x_t] + b_i)
  

Output Mechanism

• 최종적인 출력값이다. 현 시점의 hidden state는 현 시점의 cell state와 계산되어 출력되며, 다음 시점으로 hidden state를 넘긴다.
• o_t = 𝜎(W_o x [h_t-1, x_t] + b_o)
• h_t = o_t * tanh(C_t)
• C_t = f_t * C_t-1 + i_t * C’_t
• C’_t = tanh(W_C x [h_t-1, x_t] + b_C)
  

GRU Cell

• LSTM cell의 간소화된 버전이다.
• LSTM에서 두 output C_t와 h_t가 하나의 벡터 h_t로 통합되었다.
• z_t가 forget과 input 게이트를 모두 제어한다.
  • z_t가 1일때 forget 게이트가 열리고, 0일때 input 게이트가 열린다.
• output게이트가 없으며, 이전 hidden cell에서 어느 부분이 출력될지 결정하는 것은 r_t가 수행한다.
  

Reset Gate

• 두 번째 식에 해당하는 부분이다. 이전 시점의 hidden state와 현 시점의 x를 𝑠𝑖𝑔𝑚𝑜𝑖𝑑를 적용하여 구한다. 즉 이전 hidden state를 얼마나 활용할지 결정한다.

Update Gate

• 과거와 현재의 정보를 얼마나 반영할지 비율을 정하는 부분이다. 𝑧는 현재의 정보에 대한것, 1−𝑧는 과거 정보에 대한 반영 비율을 나타낸다.

seq2seq Attention

• seq2seq은 입력 시퀸스를 받아 출력 시퀸스를 생성하는 모델이다. 가변적인 입 출력 시퀸스 길이를 처리할 수 있다. 하지만 vanishing gradient와 정보의 손실 문제가 발생한다. (bottleneck problem)
• 특정한 정보를 전달하기 위해 Attention Mechanism 사용한다.
• 디코더의 매 시점마다 인코더의 전체 입력을 다시 한번 참조할 수 있게 도와주는 역할을 한다.
• 전체 입력을 동일하게 참조하는 것이 아닌 현재 예측해야 할 부분과 가장 연관있는 부분에 더 집중적으로 참조한다.

[Score Function]

• Decoder의 hidden space vector d1을 구한다.
• d1은 Encoder의 모든 hidden space vector를 자신의 위치와 가장 관계가 깊은 단어가 무엇인지 고민한다.
• 모든 e를 살펴보며 score funtion을 통과 한 것이 Attention Score이다.

[Normalize]

• Sorce에 Softmax를 취한다.
• e와 a를 가지고 context vector c를 만든다.

[다음 언어 예측]

• c와 d를 가지고 다음 언어를 예측할 수 있다. 이 때, 단어 예측을 위한 f는 Neural Network를 사용한다.