[인공지능][DL] Deep Learning - 심플 순환신경망(Simple RNN)

순환신경망(RNN)

📍 순환신경망(Recurrent Neural Network, RNN)
 - RNN은 텍스트 처리를 위해 고안된 모델(계층)
 - 바로 이전의 데이터(텍스트)를 재사용하는 신경망 계층임
 - 이전에 진행한 훈련기억을 가지고 다시 훈련하는 방식

📍 순환신경망 종류
 - 심플 순환신경망(Simple RNN)
 - 장기기억 순환신경망(LSTM)
 - 게이트웨이 반복 순환신경망(GRU)

• 사용 라이브러리
  

  import tensorflow as tf
  from tensorflow import keras
  
  tf.keras.utils.set_random_seed(42)
  tf.config.experimental.enable_op_determinism()​

• 사용 데이터셋
  

  from tensorflow.keras.datasets import imdb​

   💡 IMDB : 영화 리뷰 감상평 데이터
    - 순환신경망에서 대표적으로 사용되는 데이터셋(외국)
    - 케라스에서 영어로된 문장을 정수(숫자)로 변환하여 제공하는 데이터셋
    - 감상평이 긍정과 부정으로 라벨링 되어있음
    - 총 50,000개의 샘플로 되어 있으며, 훈련 및 테스트로 각각 25,000개씩 분리하여 제공됨
  
• IMDB 데이터 읽어들이기
  - num_words=500 :  말뭉치 사전의 갯수 500개만 추출하겠다는 의미
   * list 1개 = 문장 1개
   * 5만개의 문장 들어있음
   * 마지막 list는 긍정/부정에 대한 값이 들어있음(0 : 부정, 1 : 긍정)
  

  imdb.load_data(num_words=500)

  

  
  

  (train_input, train_target), (test_input, test_target) = imdb.load_data(num_words=500)
  print(f"{train_input.shape} / {train_target.shape}")
  print(f"{test_input.shape} / {test_target.shape}")​

  

  
  

  # 문장 1개, 들어있는 단어의 갯수는 218
  # 문장들의 단어의 갯수는 다 다를 것
  print(len(train_input[0]), train_input[0])​

  

  
  
  
• 훈련 : 검증 = 8 : 2로 분리하기
  

  from sklearn.model_selection import train_test_split
  
  train_input, val_input, train_target, val_target = train_test_split(train_input, train_target, test_size=0.2, random_state=42)
  print(f"{train_input.shape} / {train_target.shape}")
  print(f"{val_input.shape} / {val_target.shape}")
  print(f"{test_input.shape} / {test_target.shape}")​

  

  
  
  
• 정규화(텍스트 데이터)
   - 텍스트 기반의 데이터인 경우 정규화는 스케일링 처리가 아닌 문자열의 길이를 통일시키는 처리를 진행한다.
   - 훈련 모델은 정해진 행렬의 사이즈를 기준으로 훈련하기 때문이다.
  

  import numpy as np
  lengths = np.array([len(x) for x in train_input])
  lengths.shape, lengths

  

  
  
  
• lengths의 값을 이용해서 전체평균과 중앙값 출력하기
  

  np.mean(lengths), np.median(lengths)​

  

  
  
  
• 시각화
  

  import matplotlib.pyplot as plt
  from matplotlib import font_manager, rc
  plt.rc("font", family="Malgun Gothic")
  
  plt.title("텍스트 길이 분포 확인")
  plt.hist(lengths)
  plt.xlabel("length(단어 갯수)")
  plt.ylabel("빈도")
  plt.show()​

  

   중앙값이 평균값보다 낮으면 왼쪽에 평균

단어 갯수의 분포를 이용해서 훈련에 사용할 독립변수 각 값들의 길이 기준 정의
전체적으로 왼쪽편에 집중되어 있으며, x축 125 정도에 많은 빈도를 나타내고 있음
따라서, 독립변수 각 값들의 길이를 100으로 통일(정규화)

259개의 단어 중 100개만 남기고 날리기
앞에서 부터 단어 100개(평가하는 단어를 뒤쪽에 썼을거라는 생각)
단어가 100개가 안되는 문장은 100개가 되도록 빈자리는 0으로 채움

 

• 각 데이터의 길이를 100으로 통일(정규화) 시키기
  

  ''' 텍스트 길이 정규화 라이브러리 '''
  from tensorflow.keras.preprocessing.sequence import pad_sequences
  
  ''' 훈련 독립변수 각 데이터 100개로 통일시키기
   - pad_sequences() : 텍스트의 길이를 maxlen 갯수로 통일시키기
   - maxlen보다 작으면 0으로 채우고, 크면 제거한다.
  '''
  train_seq = pad_sequences(train_input, maxlen=100)
  train_seq.shape

  

  
  

  

• 검증 데이터도 길이 100으로 통일(정규화) 시키기
  

  val_seq = pad_sequences(val_input, maxlen=100)
  val_seq.shape​

• 텍스트 길이 조정 속성(매개변수)
   - truncating
         → 추출 위치(앞 또는 뒤부터)
         → pre 뒤쪽부터 추출하기 (기본값), 앞쪽 제거하기
         → post 앞쪽부터 추출하기, 뒤쪽 제거하기
   - padding
         → 채울 위치(앞 또는 뒤부터)
         → pre 앞쪽을 0으로 채우기 (기본값)
         → post 뒤쪽을 0으로 채우기
  

  train_seq = pad_sequences(train_input, maxlen=100,
                           truncating="pre",
                           padding="pre")​

Simple RNN(심플 순환신경망)

• 모델 생성하기

  model = keras.Sequential()
  model​

• 계층 생성 및 모델에 추가하기
  - input_shape=(100, 500) : 100은 특성 갯수, 500은 말뭉치 갯수

  ''' 계층 생성 및 모델에 추가하기 
   - input_shape=(100, 500) : 100은 특성 갯수, 500은 말뭉치 갯
  '''
  ''' 입력계층이면서 RNN 계층 '''
  model.add(keras.layers.SimpleRNN(8, input_shape=(100, 500)))
  
  ''' 출력계층 '''
  model.add(keras.layers.Dense(1, activation="sigmoid"))

원-핫(One - Hot) 인코딩

📍 RNN에서 사용할 독립변수 처리 방식
- RNN 모델에서는 독립변수의 데이터를 원-핫 인코딩 데이터 또는 임베딩 처리를 통해서 훈련을 시켜야 한다

📍 원-핫(One-Hot) 인코딩 방식
- 각 데이터(값) 중에 1개의 단어당 분석을 위해 500개의 말뭉치와 비교하여야 함
- 이때 비교하기 위해 원-핫 인코딩으로 변환하여 비교하는 방식을 따름
- keras.util.to_categorical() 함수 사용
- 프로그램을 통해 변환해야 함(별도 계층이 존재하지는 않음)
- 각 단어별로 원-핫인코딩 처리가 되기에 데이터가 많아지며, 속도가 느림
- 데이터가 많아지기 떄문에 많은 메모리 공간을 차지함

📍 단어 임베딩(Embedding) 방식
- 원-핫 인코딩의 느린 속도를 개선하기 위하여 개선된 방식(메모리 활용)
- 많은 공간을 사용하지 않음
- keras.layers.Embedding() 계층을 사용함(프로그램 처리 방식이 아님)

 

• 원-핫 인코딩 데이터로 변환하기
   - to_categorical() : 원-핫 인코딩 함수
   - 말뭉치 갯수만큼의 차원이 발생함 (총 3차원)
  

  train_oh = keras.utils.to_categorical(train_seq)
  val_oh =  keras.utils.to_categorical(val_seq)
  train_oh.shape

  

  
  

  

 

 

단어 1개당 500개의 값 생성

train_oh[0][2]는 1번째 문장의 3번째 단어에 대한 500개의 말뭉치를 비교한 리스트를 보여줌

 train_oh[0][2]가 20이므로 리스트에서 20번째 값이 1이고 나머지는 0

 

 

 

 

 

 

 

 

 

 

 

 

• 모델 설정하기
  - 순환신경망(RNN)에서 주로 사용되는 옵티마이저는 RMSprop
  - RMSprop : 먼 거리는 조금 반영, 가까운 거리는 많이 반영하는 개념을 적용
  

  rmsprop = keras.optimizers.RMSprop(learning_rate=0.0001)
  model.compile(optimizer=rmsprop,
               loss="binary_crossentropy",
               metrics=["accuracy"])

• 콜백함수 정의하기

  ''' 자동 저장 및 종료하는 콜백함수 정의하기 '''
  model_path = "./model/best_simpleRNN_model.h5"
  
  ''' 모델 자동 저장 콜백함수 '''
  checkpoint_cb = keras.callbacks.ModelCheckpoint(model_path)
  
  ''' 자동 종료 콜백 함수 '''
  early_cb = keras.callbacks.EarlyStopping(patience=3, restore_best_weights = True)
  
  checkpoint_cb, early_cb

• 모델 훈련하기
  - batch_size : 훈련 시 데이터를 배치사이즈 만큼 잘라서 종속변수와 검증 진행
            → 배치사이즈 만큼 종속변수와 비교 시 틀리게 되면, 다음 배치사이즈에서 오류를 줄여가면서 훈련을 진행하게 된다
            → 배치사이즈의 값을 정의하지 않으면 전체 데이터를 기준으로 종속변수와 비교 및 훈련 반복 시 오류 조정 진행 된다
            → 배치사이즈의 값은 정의된 값은 없으며, 보통 32, 64 정도로 주로 사용함
            → 튜닝 대상 하이퍼파라미터 변수
  

  history = model.fit(
      train_oh, train_target, epochs=100, batch_size=64,
      validation_data=(val_oh, val_target),
      callbacks=[checkpoint_cb, early_cb]
  )

  

  
  
  
• 훈련 및 검증에 대한 손실 곡선 그리기
  

  plt.plot(history.epoch, history.history["loss"])
  plt.plot(history.epoch, history.history["val_loss"])
  
  plt.xlabel("epoch")
  plt.ylabel("loss")
  plt.grid()
  
  plt.legend(["train", "val"])
  plt.title("train & val loss")
  
  plt.show()​

  

  
  
  
• 훈련 및 검증에 대한 정확도 곡선 그리기
  

  plt.plot(history.epoch, history.history["accuracy"])
  plt.plot(history.epoch, history.history["val_accuracy"])
  
  plt.xlabel("epoch")
  plt.ylabel("accuracy")
  plt.grid()
  
  plt.legend(["train", "val"])
  plt.title("train & val acc")
  plt.show()​

  

  
  
  

단어 임베딩(Embedding) 방식

• 모델 생성하기
  

  model2 = keras.Sequential()
  model2​

• 계층 생성 및 추가하기
  

  ''' 입력계층 생성하기(단어임베딩 계층으로 생성)
   - 500 : 말뭉치 갯수
   - 16 : 출력크기(갯수)
   - input_length : 사용할 특성 갯수 (input_shape와 동일)
  '''
  model2.add(keras.layers.Embedding(500, 16, input_length=100))
  
  ''' Simple RNN 계층 추가 '''
  model2.add(keras.layers.SimpleRNN(8))
  
  ''' 출력 계층 추가 '''
  model2.add(keras.layers.Dense(1, activation="sigmoid"))​

  

  
  
  
• 모델 설정하기
• 콜백함수 정의하기
• 모델 훈련시키기
• 훈련 및 검증에 대한 손실 곡선 그리기
  4단계 모두 원핫인코딩과 동일
  
  시각화 결과 ↓

 

• 성능 평가하기
  

  ''' 원-핫데이터 모델로 검증데이터 평가하기 '''
  model.evaluate(val_oh, val_target)

  

  
  

  ''' 단어 임베딩 모델로 검증데이터 평가하기 '''
  model2.evaluate(val_seq, val_target)​

  

  
  
  
• 테스트 데이터로 원-핫 모델 및 단어 임베딩 모델로 각각 평가하기
  

  ''' 테스트 데이터도 길이 100으로 통일(정규화) 시키기 '''
  test_seq = pad_sequences(test_input, maxlen=100)
  test_seq.shape
  
  ''' 원핫인코딩 데이터로 변환'''
  test_oh = keras.utils.to_categorical(test_seq)

  
  

  ''' 원-핫데이터 모델로 검증데이터 평가하기 '''
  model.evaluate(test_oh, test_target)

  

  ''' 단어 임베딩 모델로 검증데이터 평가하기 '''
  model2.evaluate(test_seq, test_target)​