반응형
안녕하세요, 이번 포스팅에서는 PyTorch로 Seq2Seq를 구현하고 학습해보도록 하겠습니다. 작업 환경은 Google Colab에서 진행했습니다.
PyTorch 코드는 아래 깃허브에서 참고했습니다.
bentrevett/pytorch-seq2seq
Tutorials on implementing a few sequence-to-sequence (seq2seq) models with PyTorch and TorchText. - bentrevett/pytorch-seq2seq
github.com
논문 리뷰는 아래 블로그에서 확인하실 수 있습니다.
[논문 읽기] PyTorch 구현 코드로 살펴보는 Seq2Seq(2014), Sequence to Sequence Learning with Neural Networks
안녕하세요, 오늘 읽은 논문은 Seq2Seq, Sequence to Sequence Learning with Neural Networks 입니다. ㅎㅎ 자연어 처리 분야 논문은 처음 읽어보네요!! Seq2Seq부터 transformer까지 차근차근 읽어나갈 생각입..
deep-learning-study.tistory.com
필요한 라이브러리를 import 합니다.
import torch
import torch.nn as nn
import torch.optim as optim
from torchtext.legacy.datasets import Multi30k
from torchtext.legacy.data import Field, BucketIterator
import spacy
import numpy as np
import random
import math
import time
1. 데이터셋 불러오기
데이터셋은 PyTorch에서 제공하는 Multi30k dataset을 사용하겠습니다. 데이터 전처리는 spacy 에서 제공하는 토큰화 모듈을 사용합니다.
우선, 전처리를 위해 필요한 함수를 지정합니다.
# 난수 생성
seed = 1234
random.seed(seed)
np.random.seed(seed)
torch.manual_seed(seed)
torch.cuda.manual_seed(seed)
torch.backends.cudnn.deterministic = True# 문장을 토큰화하는 모듈 설치
!python -m spacy download en_core_web_sm
!python -m spacy download de_core_news_smimport de_core_news_sm
import en_core_web_sm
# 문장을 토큰화하는 모델을 불러옵니다.
spacy_en = en_core_web_sm.load()
spacy_de = de_core_news_sm.load()
# tokenizer function 생성
def tokenize_de(text):
return [tok.text for tok in spacy_de.tokenizer(text)][::-1]
def tokenize_en(text):
return [tok.text for tok in spacy_en.tokenizer(text)]
# torchtext의 Field는 데이터를 어떻게 처리할지 조절합니다.
SRC = Field(tokenize = tokenize_de,
init_token = '<sos>',
eos_token = '<eos>',
lower = True)
TRG = Field(tokenize = tokenize_en,
init_token = '<sos>',
eos_token = '<eos>',
lower = True)
전처리 함수를 정의했으므로, 데이터셋을 불러오겠습니다.
# train, validation, test 데이터를 불러오고, 다운로드 합니다.
# Multi30k dataset을 사용하여, 30,000개의 영어, 독일, 프랑스어 문장을 포함합니다.
train_data, valid_data, test_data = Multi30k.splits(exts=('.de', '.en'), fields=(SRC,TRG))
print(f'Number of training examples: {len(train_data.examples)}')
print(f'Number of validation examples: {len(valid_data.examples)}')
print(f'Number of testing examples: {len(test_data.examples)}')
# min_freq=2는 2번 이상 등장한 토큰을 출력합니다.
# 토큰이 1번만 등장했다면 <unk>로 대체합니다.
SRC.build_vocab(train_data, min_freq=2)
TRG.build_vocab(train_data, min_freq=2)
이제 Iterator을 생성합니다.
# Iterator 생성
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
batch_size = 128
train_iterator, valid_iterator, test_iterator = BucketIterator.splits(
(train_data, valid_data, test_data), batch_size=batch_size, device=device)
2. Seq2Seq 구현하기
(1) Encoder
encoder은 LSTM으로 구성되어 있으며, 입력 senquence를 입력받아 encode하여 고정된 크기의 context vector를 생성합니다. 입력 cell과 입력 hidden state는 제로 텐서 입니다.
# Encoder
class Encoder(nn.Module):
def __init__(self, input_dim, emb_dim, hid_dim, n_layers, dropout):
super().__init__()
self.hid_dim = hid_dim
self.n_layers = n_layers
# embedding: 입력값을 emd_dim 벡터로 변경
self.embedding = nn.Embedding(input_dim, emb_dim)
# embedding을 입력받아 hid_dim 크기의 hidden state, cell 출력
self.rnn = nn.LSTM(emb_dim, hid_dim, n_layers, dropout=dropout)
self.dropout = nn.Dropout(dropout)
def forward(self, src):
# sre: [src_len, batch_size]
embedded = self.dropout(self.embedding(src))
# initial hidden state는 zero tensor
outputs, (hidden, cell) = self.rnn(embedded)
# output: [src_len, batch_size, hid dim * n directions]
# hidden: [n layers * n directions, batch_size, hid dim]
# cell: [n layers * n directions, batch_size, hid dim]
return hidden, cell
(2) Decoder
Decoder은 encode된 context vector를 입력받아 decode하여 단어를 예측합니다.
# decoder
class Decoder(nn.Module):
def __init__(self, output_dim, emb_dim, hid_dim, n_layers, dropout):
super().__init__()
self.output_dim = output_dim
self.hid_dim = hid_dim
self.n_layers = n_layers
# content vector를 입력받아 emb_dim 출력
self.embedding = nn.Embedding(output_dim, emb_dim)
# embedding을 입력받아 hid_dim 크기의 hidden state, cell 출력
self.rnn = nn.LSTM(emb_dim, hid_dim, n_layers, dropout=dropout)
self.fc_out = nn.Linear(hid_dim, output_dim)
self.dropout = nn.Dropout(dropout)
def forward(self, input, hidden, cell):
# input: [batch_size]
# hidden: [n layers * n directions, batch_size, hid dim]
# cell: [n layers * n directions, batch_size, hid dim]
input = input.unsqueeze(0) # input: [1, batch_size], 첫번째 input은 <SOS>
embedded = self.dropout(self.embedding(input)) # [1, batch_size, emd dim]
output, (hidden, cell) = self.rnn(embedded, (hidden, cell))
# output: [seq len, batch_size, hid dim * n directions]
# hidden: [n layers * n directions, batch size, hid dim]
# cell: [n layers * n directions, batch size, hid dim]
prediction = self.fc_out(output.squeeze(0)) # [batch size, output dim]
return prediction, hidden, cell
(3) Seq2Seq
이제 encoder, decoder class를 조합하여 Seq2Seq를 구현합니다.
# Seq2Seq
class Seq2Seq(nn.Module):
def __init__(self, encoder, decoder, device):
super().__init__()
self.encoder = encoder
self.decoder = decoder
self.device = device
# encoder와 decoder의 hid_dim이 일치하지 않는 경우 에러메세지
assert encoder.hid_dim == decoder.hid_dim, \
'Hidden dimensions of encoder decoder must be equal'
# encoder와 decoder의 hid_dim이 일치하지 않는 경우 에러메세지
assert encoder.n_layers == decoder.n_layers, \
'Encoder and decoder must have equal number of layers'
def forward(self, src, trg, teacher_forcing_ratio=0.5):
# src: [src len, batch size]
# trg: [trg len, batch size]
batch_size = trg.shape[1]
trg_len = trg.shape[0] # 타겟 토큰 길이 얻기
trg_vocab_size = self.decoder.output_dim # context vector의 차원
# decoder의 output을 저장하기 위한 tensor
outputs = torch.zeros(trg_len, batch_size, trg_vocab_size).to(self.device)
# initial hidden state
hidden, cell = self.encoder(src)
# 첫 번째 입력값 <sos> 토큰
input = trg[0,:]
for t in range(1,trg_len): # <eos> 제외하고 trg_len-1 만큼 반복
output, hidden, cell = self.decoder(input, hidden, cell)
# prediction 저장
outputs[t] = output
# teacher forcing을 사용할지, 말지 결정
teacher_force = random.random() < teacher_forcing_ratio
# 가장 높은 확률을 갖은 값 얻기
top1 = output.argmax(1)
# teacher forcing의 경우에 다음 lstm에 target token 입력
input = trg[t] if teacher_force else top1
return outputs
위 코드에 teacher forcing이 구현되어있습니다. teacher forcing은 일정 확률로 다음 lstm cell에 prediction이 아닌, target token을 입력하는 것입니다.
3. 학습하기
하이퍼파라미터를 지정합니다.
# 하이퍼 파라미터 지정
input_dim = len(SRC.vocab)
output_dim = len(TRG.vocab)
enc_emb_dim = 256 # 임베딩 차원
dec_emb_dim = 256
hid_dim = 512 # hidden state 차원
n_layers = 2
enc_dropout = 0.5
dec_dropout = 0.5# 모델 생성
enc = Encoder(input_dim, enc_emb_dim, hid_dim, n_layers, enc_dropout)
dec = Decoder(output_dim, dec_emb_dim, hid_dim, n_layers, dec_dropout)
model = Seq2Seq(enc, dec, device).to(device)# 가중치 초기화
def init_weights(m):
for name, param in m.named_parameters():
nn.init.uniform_(param.data, -0.08, 0.08)
model.apply(init_weights)# 모델의 학습가능한 파라미터 수 측정
def count_parameters(model):
return sum(p.numel() for p in model.parameters() if p.requires_grad)
print(f'The model has {count_parameters(model):,} trainableparameters')# optimizer
optimizer = optim.Adam(model.parameters())
# loss function
# pad에 해당하는 index는 무시합니다.
trg_pad_idx = TRG.vocab.stoi[TRG.pad_token]
criterion = nn.CrossEntropyLoss(ignore_index=trg_pad_idx)
train 함수를 정의합니다.
# 학습을 위한 함수
def train(model, iterator, optimizer, criterion, clip):
model.train()
epoch_loss = 0
for i, batch in enumerate(iterator):
src = batch.src
trg = batch.trg
optimizer.zero_grad()
output = model(src,trg) # [trg len, batch size, output dim]
output_dim = output.shape[-1]
output = output[1:].view(-1, output_dim) # loss 계산을 위해 1d로 변경
trg = trg[1:].view(-1) # loss 계산을 위해 1d로 변경
loss = criterion(output, trg)
loss.backward()
# 기울기 clip
torch.nn.utils.clip_grad_norm_(model.parameters(), clip)
optimizer.step()
epoch_loss += loss.item()
return epoch_loss / len(iterator)
evaluation 함수를 지정합니다.
# evaluation function
def evaluate(model, iterator, criterion):
model.eval()
epoch_loss = 0
with torch.no_grad():
for i, batch in enumerate(iterator):
src = batch.src
trg = batch.trg
# output: [trg len, batch size, output dim]
output = model(src, trg, 0) # teacher forcing off
output_dim = output.shape[-1]
output = output[1:].view(-1, output_dim) # [(trg len -1) * batch size, output dim]
trg = trg[1:].view(-1) # [(trg len -1) * batch size, output dim]
loss = criterion(output, trg)
epoch_loss += loss.item()
return epoch_loss / len(iterator)
시간을 check하는 함수를 정의합니다.
# function to count training time
def epoch_time(start_time, end_time):
elapsed_time = end_time - start_time
elapsed_mins = int(elapsed_time / 60)
elapsed_secs = int(elapsed_time - (elapsed_mins * 60))
return elapsed_mins, elapsed_secs
이제 학습을 해보겠습니다 ㅎㅎ!! 저는 10epoch 학습시켰습니다.
# 학습 시작
num_epochs = 10
clip = 1
best_valid_loss = float('inf')
for epoch in range(num_epochs):
start_time = time.time()
train_loss = train(model, train_iterator, optimizer, criterion, clip)
valid_loss = evaluate(model, valid_iterator, criterion)
end_time = time.time()
epoch_mins, epoch_secs = epoch_time(start_time, end_time)
if valid_loss < best_valid_loss:
best_valid_loss = valid_loss
torch.save(model.state_dict(), 'tut1-model.pt')
print(f'Epoch: {epoch+1:02} | Time: {epoch_mins}m {epoch_secs}s')
print(f'\tTrain Loss: {train_loss:.3f} | Train PPL: {math.exp(train_loss):7.3f}')
print(f'\t Val. Loss: {valid_loss:.3f} | Val. PPL: {math.exp(valid_loss):7.3f}')
test loss와 ppl을 측정합니다.
# best val loss일 때의 가중치를 불러옵니다.
model.load_state_dict(torch.load('tut1-model.pt'))
# test loss를 측정합니다.
test_loss = evaluate(model, test_iterator, criterion)
print(f'| Test Loss: {test_loss:.3f} | Test PPL: {math.exp(test_loss):7.3f} |')
자연어처리 모델을 PyTorch로 구현해보면서 흥미롭진 않았네요... 저는 CV가 적성에 맞는것 같습니다ㅎㅎ!! 그래도 transformer까지 공부를 해보도록 하겠습니다..ㅎㅎ
참고자료
반응형
'논문 구현' 카테고리의 다른 글
| [논문 구현] PyTorch로 Knowledge Distillation(2014) 구현하기 (2) | 2021.06.21 |
|---|---|
| [논문 구현] PyTorch로 SRCNN(2014) 구현하고 학습하기 (3) | 2021.06.15 |
| [논문 구현] PyTorch로 Style Transfer(2015)를 구현하고 학습하기 (0) | 2021.06.11 |
| [논문 구현] PyTorch로 Pix2Pix(2016) 구현하고 학습하기 (5) | 2021.05.20 |
| [논문 구현] PyTorch로 DCGAN(2015) 구현하고 학습하기 (0) | 2021.05.19 |