장단기 메모리(LSTM) 개념 이해하기
21 Jan 2023 | NLP(Natural Language Processing)
- Vanilla RNN의 한계
- Vanilla RNN 내부 열어보기
- LSTM(Long Short‐Term Memory)
- (1) 입력 게이트 : 현재 정보를 기억하기 위한 게이트
- (2) 삭제 게이트 : 기억을 삭제하기 위한 게이트
- (3) 셀 상태
- (4) 출력 게이트와 은닉 상태 : 현재 시점 $x_t$ 의 은닉 상태를 결정
- 케라스 SimpleRNN 이해하기
- 케라스 LSTM 이해하기
- Bidirectional(LSTM) 이해하기
1. Vanilla RNN의 한계
Vanilla RNN 은 출력 결과가 이전의 계산 결과에 의존 하는데, 비교적 짧은 시퀀스(sequence)에 대해서만 효과를 보이는 단점 이 있습니다. 즉, Vanilla RNN의 시점(time step)이 길어질 수록 앞의 정보가 뒤로 충분히 전달되지 못하는 현상이 발생 합니다. 위의 그림은 첫번째 입력값인 $x_1$ 의 정보량을 짙은 남색으로 표현했을 때, 색이 점차 얕아지는 것으로 시점이 지날수록 $x_1$ 의 정보량이 손실되어가는 과정을 표현하였습니다. 뒤로 갈수록 $x_1$ 의 정보량은 손실되고, 시점이 충분히 긴 상황에서는 $x_1$ 의 전체 정보에 대한 영향력은 거의 의미가 없을수도 있습니다.
어쩌면 가장 중요한 정보가 시점의 앞쪽에 위치할 수도 있습니다. RNN으로 만든 언어 모델이 다음 단어를 예측하는 과정을 생각해봅시다. 예를 들어 다음 문장이 있습니다.
모스크바에 여행을 왔는데 건물도 예쁘고 먹을 것도 맛있었어.
그런데 글쎄 직장 상사한테 전화가 왔어. 어디냐고 묻더라구.
그래서 나는 말했지. 저 ___ 여행왔는데요.
다음 단어를 예측하기 위해서는 장소 정보가 필요합니다. 그런데 장소 정보에 해당되는 단어인 ‘모스크바’ 는 앞에 위치하고 있고, RNN이 충분한 기억력을 가지고 있지 못한다면 다음 단어를 엉뚱하게 예측합니다. 이를 장기 의존성 문제(the problem of Long‐Term Dependencies) 라고 합니다.
2. Vanilla RNN 내부 열어보기
위 그림은 Vanilla RNN 의 내부 구조를 보여줍니다. 위 그림에 그림에 편향 $b$ 를 그린다면 $x_t$ 옆에 $tanh$ 로 향하는 또 하나의 입력선을 그리면 됩니다.
[h_t = tanh(W_x x_t + W_h h_{t-1} + b)]
Vanilla RNN 은 $x_t$ 와 $h_{t-1}$ 이라는 두 개의 입력이 각각의 가중치와 곱해져서 메모리 셀의 입력이 됩니다. 그리고 이를 하이퍼볼릭탄젠트 함수의 입력으로 사용하고 이 값은 은닉층의 출력인 은닉 상태가 됩니다.
3. LSTM(Long Short‐Term Memory)
위 그림은 RNN의 단점을 보완한 단점을 보완한 RNN의 일종을 장단기 메모리(Long Short‐Term Memory, LSTM) 라고 하며, LSTM 의 전체적인 내부의 모습을 보여줍니다. LSTM 은 은닉층의 메모리 셀에 입력 게이트, 망각 게이트, 출력 게이트 를 추가하여 불필요한 기억을 지우고, 기억 해야할 것들을 정합니다.
요약하면 LSTM 은 은닉 상태(hidden state)를 계산하는 식이 전통적인 RNN보다 조금 더 복잡해졌으며 셀 상태(cell state) 라는 값을 추가하였습니다. 위의 그림에서는 $t$ 시점의 셀 상태를 $C_t$ 로 표현 하고 있습니다. LSTM 은 RNN과 비교하여 긴 시퀀스의 입력을 처리하는데 탁월한 성능 을 보입니다.
셀 상태(cell state) 는 위 그림에서 왼쪽에서 오른쪽으로 가는 굵은선 입니다. 셀 상태 또한 은닉 상태 처럼 이전 시점의 셀 상태가 다음 시점의 셀 상태를 구하기 위한 입력으로서 사용 됩니다.
은닉 상태의 값과 셀 상태의 값을 구하기 위해 서 새로 추가 된 3개의 게이트를 사용 합니다. 각 게이트는 삭제 게이트, 입력 게이트, 출력 게이트 라고 부르며 이 3개의 게이트에는 공통적으로 시그모이드 함수가 존재합니다. 시그모이드 함수를 지나면 0과 1사이의 값이 나오게 되는데 이 값들을 가지고 게이트를 조절합니다. 아래의 내용을 참고로 각 게이트에 대해 알아보겠습니다.
- $σ$ : 시그모이드 함수
- $tanh$ : 하이퍼볼릭탄젠트 함수
- $W_{xi}$, $W_{xg}$, $W_{xf}$, $W_{xo}$ : $x_t$ 와 함께 각 게이트에서 사용되는 4개의 가중치
- $W_{hi}$, $W_{hg}$, $W_{hf}$, $W_{ho}$ : $h_{t-1}$ 와 함께 각 게이트에서 사용되는 4개의 가중치
- $b_i$, $b_g$, $b_f$, $b_o$ : 각 게이트에서 사용되는 4개의 편향
(1) 입력 게이트 : 현재 정보를 기억하기 위한 게이트
[i_t = \sigma(W_{xi} x_t + W_{hi} h_{t-1} + b_i)]
[g_t = tanh(W_{xg} x_t + W_{hg} h_{t-1} + b_g)]
- $i_t$
- $\sigma(W_{xi} x_t + W_{hi} h_{t-1} + b_i)$
- 현재시점 $t$ 의 $x_t$ 값과 입력 게이트로 이어지는 가중치 $W_{xi}$ 를 곱한 값과, 이전 시점 $t‐1$ 의 은닉 상태 $h_{t-1}$ 가 입력 게이트로 이어지는 가중치 $W_{hi}$ 를 곱한 값을 더하여 시그모이드 함수 를 지납니다.
- 시그모이드 함수를 지나 0과 1사이의 값을 가짐.
- $g_t$
- $tanh(W_{xg} x_t + W_{hg} h_{t-1} + b_g)$
- 현재시점 $t$ 의 $x_t$ 값과 입력 게이트로 이어지는 가중치 $W_{xg}$ 를 곱한 값과, 이전 시점 $t‐1$ 의 은닉 상태 $h_{t-1}$ 가 입력 게이트로 이어지는 가중치 $W_{hg}$ 를 곱한 값을 더하여 하이퍼볼릭탄젠트 함수 를 지납니다.
- 하이퍼볼릭탄젠트 함수를 지나 -1과 1사이의 값을 가짐.
0과 1사이의 값을 가지는 $i_t$ 와 -1과 1사이의 값을 가지는 $g_t$, 이 두 개의 값을 가지고 이번에 선택된 기억할 정보의 양을 정합니다.
(2) 삭제 게이트 : 기억을 삭제하기 위한 게이트
[f_t = \sigma(W_{xf} x_t + W_{hf} h_{t-1} + b_f)]
- $f_t$
- $\sigma(W_{xf} x_t + W_{hf} h_{t-1} + b_f)$
- 현재시점 $t$ 의 $x_t$ 값과 삭제 게이트로 이어지는 가중치 $W_{xf}$ 를 곱한 값과, 이전 시점 $t‐1$ 의 은닉 상태 $h_{t-1}$ 가 삭제 게이트로 이어지는 가중치 $W_{hf}$ 를 곱한 값을 더하여 시그모이드 함수 를 지나게 됩니다.
- 시그모이드 함수를 지나 0과 1사이의 값을 가짐.
0과 1사이의 값을 가지는 $f_t$, 이 값이 곧 삭제 과정을 거친 정보의 양 입니다. 0에 가까울수록 정보가 많이 삭제된 것이고 1에 가까울수록 정보를 온전히 기억한 것 입니다. 이를 가지고 셀 상태를 구하게 됩니다.
(3) 셀 상태
[C_t = f_t ∘ C_{t−1} + i_t ∘ g_t]
- $C_t$
- 현재 삭제 게이트에서 일부 기억을 잃은 상태
- 입력 게이트에서 구한 $i_t$, $g_t$ 이 두 개의 값에 대해서 원소별 곱(entrywise product)을 진행하여 같은 위치의 성분끼리 곱합니다. 이것이 이번에 선택된 기억할 값입니다.
- 입력 게이트에서 선택된 기억을 삭제 게이트의 결과값과 더합니다. 이 값을 현재 시점 $t$ 의 셀 상태 라고 하며, 이 값은 다음 $t+1$ 시점의 LSTM 셀로 넘겨집니다.
삭제 게이트와 입력 게이트의 영향력을 이해해봅시다.
만약 삭제 게이트의 출력값인 $f_t$ 가 0이 된다면, 이전 시점의 셀 상태의 값인 $C_{t-1}$ 은 현재 시점의 셀 상태의 값을 결정하기 위한 영향력이 0이 되면서, 오직 입력 게이트의 결과만이 현재 시점의 셀 상태의 값 $C_t$ 을 결정할 수 있습니다. 이는 삭제 게이트가 완전히 닫히고 입력 게이트를 연 상태를 의미 합니다. 반대로 입력 게이트의 $i_t$ 값을 0이라고 한다면, 현재 시점의 셀 상태의 값 $C_t$ 는 오직 이전 시점의 셀 상태의 값 $C_{t-1}$ 의 값에만 의존합니다. 이는 입력 게이트를 완전히 닫고 삭제 게이트만을 연 상태를 의미합니다.
결과적으로 삭제 게이트는 이전 시점의 입력을 얼마나 반영할지를 의미 하고, 입력 게이트는 현재 시점의 입력을 얼마나 반영할지를 결정 합니다.
(4) 출력 게이트와 은닉 상태 : 현재 시점 $x_t$ 의 은닉 상태를 결정
[o_t = \sigma(W_{xo} x_t + W_{ho} h_{t-1} + b_0)]
[h_t = o_t ∘ tanh(c_t)]
- $o_t$
- $\sigma(W_{xo} x_t + W_{ho} h_{t-1} + b_0)$
- 출력 게이트는 현재 시점 $t$ 의 $x_t$ 값과 이전 시점 $t‐1$ 의 은닉 상태가 시그모이드 함수를 지난 값입니다.
- 해당 값은 현재 시점 $x_t$ 의 은닉 상태를 결정하는 일에 쓰이게 됩니다.
셀 상태의 값 $c_t$ 가 하이퍼볼릭탄젠트 함수를 지나 -1과 1사이의 값이 되고, 해당 값은 출력 게이트의 값과 연산되면서, 값이 걸러지는 효과가 발생 하여 은닉 상태 가 됩니다. 은닉 상태의 값은 또한 출력층으로도 향합니다.
4. 케라스 SimpleRNN 이해하기
우선 RNN 과 LSTM 을 테스트하기 위한 임의의 입력을 만듭니다.
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import SimpleRNN, GRU, LSTM, Bidirectional
train_X = [[0.1, 4.2, 1.5, 1.1, 2.8],
[1.0, 3.1, 2.5, 0.7, 1.1],
[0.3, 2.1, 1.5, 2.1, 0.1],
[2.2, 1.4, 0.5, 0.9, 1.1]]
print(np.shape(train_X))
[output]
(4, 5)
위 입력은 단어 벡터의 차원은 5 이고, 문장의 길이가 4 인 경우를 가정한 입력입니다. 다시 말해 4번의 시점(timesteps)이 존재하고, 각 시점마다 5차원의 단어 벡터가 입력으로 사용 됩니다. 그런데 RNN은 2D 텐서가 아니라 3D 텐서를 입력을 받습니다. 즉, 위에서 만든 2D 텐서를 3D 텐서 로 변경하겠습니다. 이는 배치 크기 1을 추가해줌으로서 해결합니다.
train_X = [[[0.1, 4.2, 1.5, 1.1, 2.8],
[1.0, 3.1, 2.5, 0.7, 1.1],
[0.3, 2.1, 1.5, 2.1, 0.1],
[2.2, 1.4, 0.5, 0.9, 1.1]]]
train_X = np.array(train_X, dtype=np.float32)
print(train_X.shape)
[output]
(1, 4, 5)
(batch_size, timesteps, input_dim) 에 해당되는 (1, 4, 5)의 크기를 가지는 3D 텐서가 생성되었습니다. batch_size 는 한 번에 RNN 이 학습하는 데이터의 양을 의미하지만, 여기서는 샘플이 1개 밖에 없으므로 batch_size 는 1입니다.
위에서 생성한 데이터를 SimpleRNN 의 입력으로 사용하여 SimpleRNN 의 출력값을 이해해보겠습니다. SimpleRNN에는 여러 인자가 있으며 대표적인 인자로 return_sequences 와 return_state 가 있으며, 기본값으로는 둘 다 False 로 지정되어져 있으므로 별도 지정을 하지 않을 경우에는 False 로 처리됩니다. 우선, 은닉 상태의 크기를 3으로 지정하고, 두 인자 값이 모두 False 일 때의 출력값을 보겠습니다. 출력값 자체보다는 해당 값의 크기(shape)에 주목 해야합니다.
rnn = SimpleRNN(3)
# rnn = SimpleRNN(3, return_sequences=False, return_state=False)와 동일.
hidden_state = rnn(train_X)
print('hidden state : {} shape: {}'.format(hidden_state, hidden_state.shape))
[output]
hidden state : [[-0.9577472 -0.33443117 -0.16784662]] shape: (1, 3)
(1, 3) 크기의 텐서가 출력되는데, 이는 마지막 시점의 은닉 상태입니다. 은닉 상태의 크기를 3으로 지정했음을 주목합시다. 기본적으로 return_sequences 가 False 인 경우에는 SimpleRNN 은 마지막 시점의 은닉 상태만 출력합니다. 이번에는 return_sequences 를 True 로 지정하여 모든 시점의 은닉 상태를 출력해봅시다.
rnn = SimpleRNN(3, return_sequences=True)
hidden_states = rnn(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
[output]
hidden states :
[[[-0.07684275 -0.9996449 -0.99920934]
[-0.6308924 -0.9999172 -0.9968455 ]
[ 0.6306296 -0.99580896 -0.7375661 ]
[-0.7447482 -0.9749265 -0.9728286 ]]] shape: (1, 4, 3)
(1, 4, 3) 크기의 텐서가 출력됩니다. 앞서 입력 데이터는 (1, 4, 5) 의 크기를 가지는 3D 텐서였고, 그 중 4가 시점(timesteps)에 해당하는 값이므로 모든 시점에 대해서 은닉 상태의 값을 출력하여 (1, 4, 3) 크기의 텐서를 출력하는 것입니다.
return_state 가 True 일 경우에는 return_sequences 의 True/False 여부와 상관없이 마지막 시점의 은닉 상태를 출력합니다. 가령, return_sequences 가 True 이면서, return_state를 True 로 할 경우 SimpleRNN 은 두 개의 출력을 리턴합니다.
rnn = SimpleRNN(3, return_sequences=True, return_state=True)
hidden_states, last_state = rnn(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
print('last hidden state : {} shape: {}'.format(last_state, last_state.shape))
[output]
hidden states :
[[[ 0.05431597 0.9997256 0.07848608]
[-0.5503005 0.96039253 0.61889 ]
[ 0.7662684 0.48871595 0.8754748 ]
[ 0.949467 0.854687 -0.16799167]]] shape: (1, 4, 3)
last hidden state : [[ 0.949467 0.854687 -0.16799167]] shape: (1, 3)
첫번째 출력은 return_sequences=True 로 인한 출력으로 모든 시점의 은닉 상태입니다. 두번째 출력은 return_state=True 로 인한 출력으로 마지막 시점의 은닉 상태입니다. 실제로 출력을 보면 모든 시점의 은닉 상태인 (1, 4, 3) 텐서의 마지막 벡터값이 return_state=True 로 인해 출력된 벡터값과 일치하는 것을 볼 수 있습니다. (둘 다 [-0.63698626 -0.6929572 -0.9387183 ])
그렇다면 return_sequences 는 False 인데, retun_state 가 True 인 경우를 살펴보겠습니다.
rnn = SimpleRNN(3, return_sequences=False, return_state=True)
hidden_state, last_state = rnn(train_X)
print('hidden state : {} shape: {}'.format(hidden_state, hidden_state.shape))
print('last hidden state : {} shape: {}'.format(last_state, last_state.shape))
[output]
hidden state : [[ 0.9969874 0.922215 -0.44041932]] shape: (1, 3)
last hidden state : [[ 0.9969874 0.922215 -0.44041932]] shape: (1, 3)
두 개의 출력 모두 마지막 시점의 은닉 상태를 출력하게 됩니다.
5. 케라스 LSTM 이해하기
이번에는 임의의 입력에 대해서 LSTM 을 사용할 경우를 보겠습니다. 우선 return_sequences 를 False 로 두고, return_state 가 True 인 경우를 보겠습니다.
lstm = LSTM(3, return_sequences=False, return_state=True)
hidden_state, last_state, last_cell_state = lstm(train_X)
print('hidden state : {} shape: {}'.format(hidden_state, hidden_state.shape))
print('last hidden state : {} shape: {}'.format(last_state, last_state.shape))
print('last cell state : {} shape: {}'.format(last_cell_state, last_cell_state.shape))
[output]
hidden state : [[-0.23502806 -0.45216066 0.06345625]] shape: (1, 3)
last hidden state : [[-0.23502806 -0.45216066 0.06345625]] shape: (1, 3)
last cell state : [[-0.38973868 -0.6697613 0.10231213]] shape: (1, 3)
SimpleRNN 때와는 달리, 세 개의 결과를 반환합니다. return_sequences 가 False 이므로 우선 첫번째 결과는 마지막 시점의 은닉 상태입니다. 그런데 LSTM 이 SimpleRNN 과 다른 점은 return_state 를 True 로 둔 경우에는 마지막 시점의 은닉 상태뿐만 아니라 셀 상태까지 반환한다는 점입니다. 이번에는 return_sequences 를 True로 바꿔보겠습니다.
lstm = LSTM(3, return_sequences=True, return_state=True)
hidden_states, last_hidden_state, last_cell_state = lstm(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
print('last hidden state : {} shape: {}'.format(last_hidden_state, last_hidden_state.shape))
print('last cell state : {} shape: {}'.format(last_cell_state, last_cell_state.shape))
[output]
hidden states :
[[[0.06367525 0.42689556 0.25716597]
[0.10355692 0.32117185 0.3720547 ]
[0.03180264 0.4889893 0.34424222]
[0.10580046 0.3162607 0.3505974 ]]] shape: (1, 4, 3)
last hidden state : [[0.10580046 0.3162607 0.3505974 ]] shape: (1, 3)
last cell state : [[0.23588046 0.63385934 1.5717858 ]] shape: (1, 3)
return_state 가 True 이므로 두번째 출력값이 마지막 은닉 상태, 세번째 출력값이 마지막 셀 상태인 것은 변함없지만 return_sequences 가 True 이므로 첫번째 출력값은 모든 시점의 은닉 상태가 출력됩니다.
6. Bidirectional(LSTM) 이해하기
양방향 LSTM 의 출력값을 확인해보겠습니다. return_sequences 가 True 인 경우와 False 인 경우에 대해서 은닉 상태의 값이 어떻게 바뀌는지 직접 비교하기 위해서 이번에는 출력되는 은닉 상태의 값을 고정시켜주겠습니다.
k_init = tf.keras.initializers.Constant(value=0.1)
b_init = tf.keras.initializers.Constant(value=0)
r_init = tf.keras.initializers.Constant(value=0.1)
우선 return_sequences 가 False 이고, return_state 가 True 인 경우입니다.
bilstm = Bidirectional(LSTM(3, return_sequences=False, return_state=True, \
kernel_initializer=k_init, bias_initializer=b_init, recurrent_initializer=r_init))
hidden_states, forward_h, forward_c, backward_h, backward_c = bilstm(train_X)
print('hidden states : {}, shape: {}'.format(hidden_states, hidden_states.shape))
print('forward state : {}, shape: {}'.format(forward_h, forward_h.shape))
print('backward state : {}, shape: {}'.format(backward_h, backward_h.shape))
[output]
hidden states : [[0.6301636 0.6301636 0.6301636 0.7037439 0.7037439 0.7037439]], shape: (1, 6)
forward state : [[0.6301636 0.6301636 0.6301636]], shape: (1, 3)
backward state : [[0.7037439 0.7037439 0.7037439]], shape: (1, 3)
이번에는 무려 5개의 값을 반환합니다. return_state 가 True 인 경우에는 정방향 LSTM의 은닉 상태와 셀 상태, 역방향 LSTM의 은닉 상태와 셀 상태 4가지를 반환하기 때문입니다. 다만, 셀 상태는 각각 forward_c와 backward_c에 저장만 하고 출력하지 않았습니다.
첫번째 출력값의 크기가 (1, 6) 인 것에 주목합시다. 이는 return_sequences 가 False 인 경우 정방향 LSTM의 마지막 시점의 은닉 상태와 역방향 LSTM의 첫번째 시점의 은닉 상태가 연결된 채 반환 되기 때문입니다. 그림으로 표현하면 아래와 같이 연결되어 다음층에서 사용됩니다.
마찬가지로 return_state 가 True 인 경우에 반환한 은닉 상태의 값인 forward_h와 backward_h는 각각 정방향 LSTM의 마지막 시점의 은닉 상태와 역방향 LSTM의 첫번째 시점의 은닉 상태값 입니다. 그리고 이 두 값을 연결한 값이 hidden_states에 출력되는 값 입니다.
정방향 LSTM의 마지막 시점의 은닉 상태값과 역방향 LSTM의 첫번째 은닉 상태값을 기억해둡시다.
- 정방향 LSTM의 마지막 시점의 은닉 상태값 : [0.6303139 0.6303139 0.6303139]
- 역방향 LSTM의 첫번째 시점의 은닉 상태값 : [0.70387346 0.70387346 0.70387346]
현재 은닉 상태의 값을 고정시켜두었기 때문에 return_sequences 를 True 로 할 경우, 출력이 어떻게 바뀌는지 비교가 가능합니다.
bilstm = Bidirectional(LSTM(3, return_sequences=True, return_state=True, \
kernel_initializer=k_init, bias_initializer=b_init, recurrent_initializer=r_init))
hidden_states, forward_h, forward_c, backward_h, backward_c = bilstm(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
print('forward state : {} shape: {}'.format(forward_h, forward_h.shape))
print('backward state : {} shape: {}'.format(backward_h, backward_h.shape))
[output]
hidden states :
[[[0.35896602 0.35896602 0.35896602 0.7037439 0.7037439 0.7037439 ]
[0.5509713 0.5509713 0.5509713 0.5884772 0.5884772 0.5884772 ]
[0.5910032 0.5910032 0.5910032 0.39501813 0.39501813 0.39501813]
[0.6301636 0.6301636 0.6301636 0.21932526 0.21932526 0.21932526]]] shape: (1, 4, 6)
forward state : [[0.6301636 0.6301636 0.6301636]] shape: (1, 3)
backward state : [[0.7037439 0.7037439 0.7037439]] shape: (1, 3)
hidden states 의 출력값에서는 이제 모든 시점의 은닉 상태가 출력됩니다. 역방향 LSTM의 첫번째 시점의 은닉 상태는 더 이상 정방향 LSTM의 마지막 시점의 은닉 상태와 연결되는 것이 아니라 정방향 LSTM의 첫번째 시점의 은닉 상태와 연결됩니다.
그림으로 표현하면 다음과 같이 연결되어 다음층의 입력으로 사용됩니다.
- Vanilla RNN의 한계
- Vanilla RNN 내부 열어보기
- LSTM(Long Short‐Term Memory)
- (1) 입력 게이트 : 현재 정보를 기억하기 위한 게이트
- (2) 삭제 게이트 : 기억을 삭제하기 위한 게이트
- (3) 셀 상태
- (4) 출력 게이트와 은닉 상태 : 현재 시점 $x_t$ 의 은닉 상태를 결정
- 케라스 SimpleRNN 이해하기
- 케라스 LSTM 이해하기
- Bidirectional(LSTM) 이해하기
1. Vanilla RNN의 한계
Vanilla RNN 은 출력 결과가 이전의 계산 결과에 의존 하는데, 비교적 짧은 시퀀스(sequence)에 대해서만 효과를 보이는 단점 이 있습니다. 즉, Vanilla RNN의 시점(time step)이 길어질 수록 앞의 정보가 뒤로 충분히 전달되지 못하는 현상이 발생 합니다. 위의 그림은 첫번째 입력값인 $x_1$ 의 정보량을 짙은 남색으로 표현했을 때, 색이 점차 얕아지는 것으로 시점이 지날수록 $x_1$ 의 정보량이 손실되어가는 과정을 표현하였습니다. 뒤로 갈수록 $x_1$ 의 정보량은 손실되고, 시점이 충분히 긴 상황에서는 $x_1$ 의 전체 정보에 대한 영향력은 거의 의미가 없을수도 있습니다.
어쩌면 가장 중요한 정보가 시점의 앞쪽에 위치할 수도 있습니다. RNN으로 만든 언어 모델이 다음 단어를 예측하는 과정을 생각해봅시다. 예를 들어 다음 문장이 있습니다.
모스크바에 여행을 왔는데 건물도 예쁘고 먹을 것도 맛있었어.
그런데 글쎄 직장 상사한테 전화가 왔어. 어디냐고 묻더라구.
그래서 나는 말했지. 저 ___ 여행왔는데요.
다음 단어를 예측하기 위해서는 장소 정보가 필요합니다. 그런데 장소 정보에 해당되는 단어인 ‘모스크바’ 는 앞에 위치하고 있고, RNN이 충분한 기억력을 가지고 있지 못한다면 다음 단어를 엉뚱하게 예측합니다. 이를 장기 의존성 문제(the problem of Long‐Term Dependencies) 라고 합니다.
2. Vanilla RNN 내부 열어보기
위 그림은 Vanilla RNN 의 내부 구조를 보여줍니다. 위 그림에 그림에 편향 $b$ 를 그린다면 $x_t$ 옆에 $tanh$ 로 향하는 또 하나의 입력선을 그리면 됩니다.
[h_t = tanh(W_x x_t + W_h h_{t-1} + b)]
Vanilla RNN 은 $x_t$ 와 $h_{t-1}$ 이라는 두 개의 입력이 각각의 가중치와 곱해져서 메모리 셀의 입력이 됩니다. 그리고 이를 하이퍼볼릭탄젠트 함수의 입력으로 사용하고 이 값은 은닉층의 출력인 은닉 상태가 됩니다.
3. LSTM(Long Short‐Term Memory)
위 그림은 RNN의 단점을 보완한 단점을 보완한 RNN의 일종을 장단기 메모리(Long Short‐Term Memory, LSTM) 라고 하며, LSTM 의 전체적인 내부의 모습을 보여줍니다. LSTM 은 은닉층의 메모리 셀에 입력 게이트, 망각 게이트, 출력 게이트 를 추가하여 불필요한 기억을 지우고, 기억 해야할 것들을 정합니다.
요약하면 LSTM 은 은닉 상태(hidden state)를 계산하는 식이 전통적인 RNN보다 조금 더 복잡해졌으며 셀 상태(cell state) 라는 값을 추가하였습니다. 위의 그림에서는 $t$ 시점의 셀 상태를 $C_t$ 로 표현 하고 있습니다. LSTM 은 RNN과 비교하여 긴 시퀀스의 입력을 처리하는데 탁월한 성능 을 보입니다.
셀 상태(cell state) 는 위 그림에서 왼쪽에서 오른쪽으로 가는 굵은선 입니다. 셀 상태 또한 은닉 상태 처럼 이전 시점의 셀 상태가 다음 시점의 셀 상태를 구하기 위한 입력으로서 사용 됩니다.
은닉 상태의 값과 셀 상태의 값을 구하기 위해 서 새로 추가 된 3개의 게이트를 사용 합니다. 각 게이트는 삭제 게이트, 입력 게이트, 출력 게이트 라고 부르며 이 3개의 게이트에는 공통적으로 시그모이드 함수가 존재합니다. 시그모이드 함수를 지나면 0과 1사이의 값이 나오게 되는데 이 값들을 가지고 게이트를 조절합니다. 아래의 내용을 참고로 각 게이트에 대해 알아보겠습니다.
- $σ$ : 시그모이드 함수
- $tanh$ : 하이퍼볼릭탄젠트 함수
- $W_{xi}$, $W_{xg}$, $W_{xf}$, $W_{xo}$ : $x_t$ 와 함께 각 게이트에서 사용되는 4개의 가중치
- $W_{hi}$, $W_{hg}$, $W_{hf}$, $W_{ho}$ : $h_{t-1}$ 와 함께 각 게이트에서 사용되는 4개의 가중치
- $b_i$, $b_g$, $b_f$, $b_o$ : 각 게이트에서 사용되는 4개의 편향
(1) 입력 게이트 : 현재 정보를 기억하기 위한 게이트
[i_t = \sigma(W_{xi} x_t + W_{hi} h_{t-1} + b_i)]
[g_t = tanh(W_{xg} x_t + W_{hg} h_{t-1} + b_g)]
- $i_t$
- $\sigma(W_{xi} x_t + W_{hi} h_{t-1} + b_i)$
- 현재시점 $t$ 의 $x_t$ 값과 입력 게이트로 이어지는 가중치 $W_{xi}$ 를 곱한 값과, 이전 시점 $t‐1$ 의 은닉 상태 $h_{t-1}$ 가 입력 게이트로 이어지는 가중치 $W_{hi}$ 를 곱한 값을 더하여 시그모이드 함수 를 지납니다.
- 시그모이드 함수를 지나 0과 1사이의 값을 가짐.
- $g_t$
- $tanh(W_{xg} x_t + W_{hg} h_{t-1} + b_g)$
- 현재시점 $t$ 의 $x_t$ 값과 입력 게이트로 이어지는 가중치 $W_{xg}$ 를 곱한 값과, 이전 시점 $t‐1$ 의 은닉 상태 $h_{t-1}$ 가 입력 게이트로 이어지는 가중치 $W_{hg}$ 를 곱한 값을 더하여 하이퍼볼릭탄젠트 함수 를 지납니다.
- 하이퍼볼릭탄젠트 함수를 지나 -1과 1사이의 값을 가짐.
0과 1사이의 값을 가지는 $i_t$ 와 -1과 1사이의 값을 가지는 $g_t$, 이 두 개의 값을 가지고 이번에 선택된 기억할 정보의 양을 정합니다.
(2) 삭제 게이트 : 기억을 삭제하기 위한 게이트
[f_t = \sigma(W_{xf} x_t + W_{hf} h_{t-1} + b_f)]
- $f_t$
- $\sigma(W_{xf} x_t + W_{hf} h_{t-1} + b_f)$
- 현재시점 $t$ 의 $x_t$ 값과 삭제 게이트로 이어지는 가중치 $W_{xf}$ 를 곱한 값과, 이전 시점 $t‐1$ 의 은닉 상태 $h_{t-1}$ 가 삭제 게이트로 이어지는 가중치 $W_{hf}$ 를 곱한 값을 더하여 시그모이드 함수 를 지나게 됩니다.
- 시그모이드 함수를 지나 0과 1사이의 값을 가짐.
0과 1사이의 값을 가지는 $f_t$, 이 값이 곧 삭제 과정을 거친 정보의 양 입니다. 0에 가까울수록 정보가 많이 삭제된 것이고 1에 가까울수록 정보를 온전히 기억한 것 입니다. 이를 가지고 셀 상태를 구하게 됩니다.
(3) 셀 상태
[C_t = f_t ∘ C_{t−1} + i_t ∘ g_t]
- $C_t$
- 현재 삭제 게이트에서 일부 기억을 잃은 상태
- 입력 게이트에서 구한 $i_t$, $g_t$ 이 두 개의 값에 대해서 원소별 곱(entrywise product)을 진행하여 같은 위치의 성분끼리 곱합니다. 이것이 이번에 선택된 기억할 값입니다.
- 입력 게이트에서 선택된 기억을 삭제 게이트의 결과값과 더합니다. 이 값을 현재 시점 $t$ 의 셀 상태 라고 하며, 이 값은 다음 $t+1$ 시점의 LSTM 셀로 넘겨집니다.
삭제 게이트와 입력 게이트의 영향력을 이해해봅시다.
만약 삭제 게이트의 출력값인 $f_t$ 가 0이 된다면, 이전 시점의 셀 상태의 값인 $C_{t-1}$ 은 현재 시점의 셀 상태의 값을 결정하기 위한 영향력이 0이 되면서, 오직 입력 게이트의 결과만이 현재 시점의 셀 상태의 값 $C_t$ 을 결정할 수 있습니다. 이는 삭제 게이트가 완전히 닫히고 입력 게이트를 연 상태를 의미 합니다. 반대로 입력 게이트의 $i_t$ 값을 0이라고 한다면, 현재 시점의 셀 상태의 값 $C_t$ 는 오직 이전 시점의 셀 상태의 값 $C_{t-1}$ 의 값에만 의존합니다. 이는 입력 게이트를 완전히 닫고 삭제 게이트만을 연 상태를 의미합니다.
결과적으로 삭제 게이트는 이전 시점의 입력을 얼마나 반영할지를 의미 하고, 입력 게이트는 현재 시점의 입력을 얼마나 반영할지를 결정 합니다.
(4) 출력 게이트와 은닉 상태 : 현재 시점 $x_t$ 의 은닉 상태를 결정
[o_t = \sigma(W_{xo} x_t + W_{ho} h_{t-1} + b_0)]
[h_t = o_t ∘ tanh(c_t)]
- $o_t$
- $\sigma(W_{xo} x_t + W_{ho} h_{t-1} + b_0)$
- 출력 게이트는 현재 시점 $t$ 의 $x_t$ 값과 이전 시점 $t‐1$ 의 은닉 상태가 시그모이드 함수를 지난 값입니다.
- 해당 값은 현재 시점 $x_t$ 의 은닉 상태를 결정하는 일에 쓰이게 됩니다.
셀 상태의 값 $c_t$ 가 하이퍼볼릭탄젠트 함수를 지나 -1과 1사이의 값이 되고, 해당 값은 출력 게이트의 값과 연산되면서, 값이 걸러지는 효과가 발생 하여 은닉 상태 가 됩니다. 은닉 상태의 값은 또한 출력층으로도 향합니다.
4. 케라스 SimpleRNN 이해하기
우선 RNN 과 LSTM 을 테스트하기 위한 임의의 입력을 만듭니다.
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import SimpleRNN, GRU, LSTM, Bidirectional
train_X = [[0.1, 4.2, 1.5, 1.1, 2.8],
[1.0, 3.1, 2.5, 0.7, 1.1],
[0.3, 2.1, 1.5, 2.1, 0.1],
[2.2, 1.4, 0.5, 0.9, 1.1]]
print(np.shape(train_X))
[output]
(4, 5)
위 입력은 단어 벡터의 차원은 5 이고, 문장의 길이가 4 인 경우를 가정한 입력입니다. 다시 말해 4번의 시점(timesteps)이 존재하고, 각 시점마다 5차원의 단어 벡터가 입력으로 사용 됩니다. 그런데 RNN은 2D 텐서가 아니라 3D 텐서를 입력을 받습니다. 즉, 위에서 만든 2D 텐서를 3D 텐서 로 변경하겠습니다. 이는 배치 크기 1을 추가해줌으로서 해결합니다.
train_X = [[[0.1, 4.2, 1.5, 1.1, 2.8],
[1.0, 3.1, 2.5, 0.7, 1.1],
[0.3, 2.1, 1.5, 2.1, 0.1],
[2.2, 1.4, 0.5, 0.9, 1.1]]]
train_X = np.array(train_X, dtype=np.float32)
print(train_X.shape)
[output]
(1, 4, 5)
(batch_size, timesteps, input_dim) 에 해당되는 (1, 4, 5)의 크기를 가지는 3D 텐서가 생성되었습니다. batch_size 는 한 번에 RNN 이 학습하는 데이터의 양을 의미하지만, 여기서는 샘플이 1개 밖에 없으므로 batch_size 는 1입니다.
위에서 생성한 데이터를 SimpleRNN 의 입력으로 사용하여 SimpleRNN 의 출력값을 이해해보겠습니다. SimpleRNN에는 여러 인자가 있으며 대표적인 인자로 return_sequences 와 return_state 가 있으며, 기본값으로는 둘 다 False 로 지정되어져 있으므로 별도 지정을 하지 않을 경우에는 False 로 처리됩니다. 우선, 은닉 상태의 크기를 3으로 지정하고, 두 인자 값이 모두 False 일 때의 출력값을 보겠습니다. 출력값 자체보다는 해당 값의 크기(shape)에 주목 해야합니다.
rnn = SimpleRNN(3)
# rnn = SimpleRNN(3, return_sequences=False, return_state=False)와 동일.
hidden_state = rnn(train_X)
print('hidden state : {} shape: {}'.format(hidden_state, hidden_state.shape))
[output]
hidden state : [[-0.9577472 -0.33443117 -0.16784662]] shape: (1, 3)
(1, 3) 크기의 텐서가 출력되는데, 이는 마지막 시점의 은닉 상태입니다. 은닉 상태의 크기를 3으로 지정했음을 주목합시다. 기본적으로 return_sequences 가 False 인 경우에는 SimpleRNN 은 마지막 시점의 은닉 상태만 출력합니다. 이번에는 return_sequences 를 True 로 지정하여 모든 시점의 은닉 상태를 출력해봅시다.
rnn = SimpleRNN(3, return_sequences=True)
hidden_states = rnn(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
[output]
hidden states :
[[[-0.07684275 -0.9996449 -0.99920934]
[-0.6308924 -0.9999172 -0.9968455 ]
[ 0.6306296 -0.99580896 -0.7375661 ]
[-0.7447482 -0.9749265 -0.9728286 ]]] shape: (1, 4, 3)
(1, 4, 3) 크기의 텐서가 출력됩니다. 앞서 입력 데이터는 (1, 4, 5) 의 크기를 가지는 3D 텐서였고, 그 중 4가 시점(timesteps)에 해당하는 값이므로 모든 시점에 대해서 은닉 상태의 값을 출력하여 (1, 4, 3) 크기의 텐서를 출력하는 것입니다.
return_state 가 True 일 경우에는 return_sequences 의 True/False 여부와 상관없이 마지막 시점의 은닉 상태를 출력합니다. 가령, return_sequences 가 True 이면서, return_state를 True 로 할 경우 SimpleRNN 은 두 개의 출력을 리턴합니다.
rnn = SimpleRNN(3, return_sequences=True, return_state=True)
hidden_states, last_state = rnn(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
print('last hidden state : {} shape: {}'.format(last_state, last_state.shape))
[output]
hidden states :
[[[ 0.05431597 0.9997256 0.07848608]
[-0.5503005 0.96039253 0.61889 ]
[ 0.7662684 0.48871595 0.8754748 ]
[ 0.949467 0.854687 -0.16799167]]] shape: (1, 4, 3)
last hidden state : [[ 0.949467 0.854687 -0.16799167]] shape: (1, 3)
첫번째 출력은 return_sequences=True 로 인한 출력으로 모든 시점의 은닉 상태입니다. 두번째 출력은 return_state=True 로 인한 출력으로 마지막 시점의 은닉 상태입니다. 실제로 출력을 보면 모든 시점의 은닉 상태인 (1, 4, 3) 텐서의 마지막 벡터값이 return_state=True 로 인해 출력된 벡터값과 일치하는 것을 볼 수 있습니다. (둘 다 [-0.63698626 -0.6929572 -0.9387183 ])
그렇다면 return_sequences 는 False 인데, retun_state 가 True 인 경우를 살펴보겠습니다.
rnn = SimpleRNN(3, return_sequences=False, return_state=True)
hidden_state, last_state = rnn(train_X)
print('hidden state : {} shape: {}'.format(hidden_state, hidden_state.shape))
print('last hidden state : {} shape: {}'.format(last_state, last_state.shape))
[output]
hidden state : [[ 0.9969874 0.922215 -0.44041932]] shape: (1, 3)
last hidden state : [[ 0.9969874 0.922215 -0.44041932]] shape: (1, 3)
두 개의 출력 모두 마지막 시점의 은닉 상태를 출력하게 됩니다.
5. 케라스 LSTM 이해하기
이번에는 임의의 입력에 대해서 LSTM 을 사용할 경우를 보겠습니다. 우선 return_sequences 를 False 로 두고, return_state 가 True 인 경우를 보겠습니다.
lstm = LSTM(3, return_sequences=False, return_state=True)
hidden_state, last_state, last_cell_state = lstm(train_X)
print('hidden state : {} shape: {}'.format(hidden_state, hidden_state.shape))
print('last hidden state : {} shape: {}'.format(last_state, last_state.shape))
print('last cell state : {} shape: {}'.format(last_cell_state, last_cell_state.shape))
[output]
hidden state : [[-0.23502806 -0.45216066 0.06345625]] shape: (1, 3)
last hidden state : [[-0.23502806 -0.45216066 0.06345625]] shape: (1, 3)
last cell state : [[-0.38973868 -0.6697613 0.10231213]] shape: (1, 3)
SimpleRNN 때와는 달리, 세 개의 결과를 반환합니다. return_sequences 가 False 이므로 우선 첫번째 결과는 마지막 시점의 은닉 상태입니다. 그런데 LSTM 이 SimpleRNN 과 다른 점은 return_state 를 True 로 둔 경우에는 마지막 시점의 은닉 상태뿐만 아니라 셀 상태까지 반환한다는 점입니다. 이번에는 return_sequences 를 True로 바꿔보겠습니다.
lstm = LSTM(3, return_sequences=True, return_state=True)
hidden_states, last_hidden_state, last_cell_state = lstm(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
print('last hidden state : {} shape: {}'.format(last_hidden_state, last_hidden_state.shape))
print('last cell state : {} shape: {}'.format(last_cell_state, last_cell_state.shape))
[output]
hidden states :
[[[0.06367525 0.42689556 0.25716597]
[0.10355692 0.32117185 0.3720547 ]
[0.03180264 0.4889893 0.34424222]
[0.10580046 0.3162607 0.3505974 ]]] shape: (1, 4, 3)
last hidden state : [[0.10580046 0.3162607 0.3505974 ]] shape: (1, 3)
last cell state : [[0.23588046 0.63385934 1.5717858 ]] shape: (1, 3)
return_state 가 True 이므로 두번째 출력값이 마지막 은닉 상태, 세번째 출력값이 마지막 셀 상태인 것은 변함없지만 return_sequences 가 True 이므로 첫번째 출력값은 모든 시점의 은닉 상태가 출력됩니다.
6. Bidirectional(LSTM) 이해하기
양방향 LSTM 의 출력값을 확인해보겠습니다. return_sequences 가 True 인 경우와 False 인 경우에 대해서 은닉 상태의 값이 어떻게 바뀌는지 직접 비교하기 위해서 이번에는 출력되는 은닉 상태의 값을 고정시켜주겠습니다.
k_init = tf.keras.initializers.Constant(value=0.1)
b_init = tf.keras.initializers.Constant(value=0)
r_init = tf.keras.initializers.Constant(value=0.1)
우선 return_sequences 가 False 이고, return_state 가 True 인 경우입니다.
bilstm = Bidirectional(LSTM(3, return_sequences=False, return_state=True, \
kernel_initializer=k_init, bias_initializer=b_init, recurrent_initializer=r_init))
hidden_states, forward_h, forward_c, backward_h, backward_c = bilstm(train_X)
print('hidden states : {}, shape: {}'.format(hidden_states, hidden_states.shape))
print('forward state : {}, shape: {}'.format(forward_h, forward_h.shape))
print('backward state : {}, shape: {}'.format(backward_h, backward_h.shape))
[output]
hidden states : [[0.6301636 0.6301636 0.6301636 0.7037439 0.7037439 0.7037439]], shape: (1, 6)
forward state : [[0.6301636 0.6301636 0.6301636]], shape: (1, 3)
backward state : [[0.7037439 0.7037439 0.7037439]], shape: (1, 3)
이번에는 무려 5개의 값을 반환합니다. return_state 가 True 인 경우에는 정방향 LSTM의 은닉 상태와 셀 상태, 역방향 LSTM의 은닉 상태와 셀 상태 4가지를 반환하기 때문입니다. 다만, 셀 상태는 각각 forward_c와 backward_c에 저장만 하고 출력하지 않았습니다.
첫번째 출력값의 크기가 (1, 6) 인 것에 주목합시다. 이는 return_sequences 가 False 인 경우 정방향 LSTM의 마지막 시점의 은닉 상태와 역방향 LSTM의 첫번째 시점의 은닉 상태가 연결된 채 반환 되기 때문입니다. 그림으로 표현하면 아래와 같이 연결되어 다음층에서 사용됩니다.
마찬가지로 return_state 가 True 인 경우에 반환한 은닉 상태의 값인 forward_h와 backward_h는 각각 정방향 LSTM의 마지막 시점의 은닉 상태와 역방향 LSTM의 첫번째 시점의 은닉 상태값 입니다. 그리고 이 두 값을 연결한 값이 hidden_states에 출력되는 값 입니다.
정방향 LSTM의 마지막 시점의 은닉 상태값과 역방향 LSTM의 첫번째 은닉 상태값을 기억해둡시다.
- 정방향 LSTM의 마지막 시점의 은닉 상태값 : [0.6303139 0.6303139 0.6303139]
- 역방향 LSTM의 첫번째 시점의 은닉 상태값 : [0.70387346 0.70387346 0.70387346]
현재 은닉 상태의 값을 고정시켜두었기 때문에 return_sequences 를 True 로 할 경우, 출력이 어떻게 바뀌는지 비교가 가능합니다.
bilstm = Bidirectional(LSTM(3, return_sequences=True, return_state=True, \
kernel_initializer=k_init, bias_initializer=b_init, recurrent_initializer=r_init))
hidden_states, forward_h, forward_c, backward_h, backward_c = bilstm(train_X)
print('hidden states : \n{} shape: {}'.format(hidden_states, hidden_states.shape))
print('forward state : {} shape: {}'.format(forward_h, forward_h.shape))
print('backward state : {} shape: {}'.format(backward_h, backward_h.shape))
[output]
hidden states :
[[[0.35896602 0.35896602 0.35896602 0.7037439 0.7037439 0.7037439 ]
[0.5509713 0.5509713 0.5509713 0.5884772 0.5884772 0.5884772 ]
[0.5910032 0.5910032 0.5910032 0.39501813 0.39501813 0.39501813]
[0.6301636 0.6301636 0.6301636 0.21932526 0.21932526 0.21932526]]] shape: (1, 4, 6)
forward state : [[0.6301636 0.6301636 0.6301636]] shape: (1, 3)
backward state : [[0.7037439 0.7037439 0.7037439]] shape: (1, 3)
hidden states 의 출력값에서는 이제 모든 시점의 은닉 상태가 출력됩니다. 역방향 LSTM의 첫번째 시점의 은닉 상태는 더 이상 정방향 LSTM의 마지막 시점의 은닉 상태와 연결되는 것이 아니라 정방향 LSTM의 첫번째 시점의 은닉 상태와 연결됩니다.
그림으로 표현하면 다음과 같이 연결되어 다음층의 입력으로 사용됩니다.