16 KiB

Raw Blame History

เครือข่ายประสาทแบบวนซ้ำ

แบบทดสอบก่อนเรียน

ในส่วนก่อนหน้านี้ เราได้ใช้การแสดงผลเชิงความหมายที่หลากหลายของข้อความและตัวจำแนกเชิงเส้นแบบง่ายบน embeddings สิ่งที่สถาปัตยกรรมนี้ทำคือการจับความหมายรวมของคำในประโยค แต่ไม่ได้คำนึงถึง ลำดับ ของคำ เนื่องจากการดำเนินการรวมบน embeddings ได้ลบข้อมูลนี้ออกจากข้อความต้นฉบับ เนื่องจากโมเดลเหล่านี้ไม่สามารถจำลองลำดับของคำได้ จึงไม่สามารถแก้ปัญหาที่ซับซ้อนหรือคลุมเครือ เช่น การสร้างข้อความหรือการตอบคำถามได้

เพื่อจับความหมายของลำดับข้อความ เราจำเป็นต้องใช้สถาปัตยกรรมเครือข่ายประสาทอีกแบบหนึ่ง ซึ่งเรียกว่า เครือข่ายประสาทแบบวนซ้ำ หรือ RNN ใน RNN เราจะส่งประโยคผ่านเครือข่ายทีละสัญลักษณ์ และเครือข่ายจะสร้าง สถานะ ซึ่งเราจะส่งกลับเข้าเครือข่ายพร้อมกับสัญลักษณ์ถัดไป

ภาพโดยผู้เขียน

เมื่อได้รับลำดับของโทเค็น X₀,...,X_n RNN จะสร้างลำดับของบล็อกเครือข่ายประสาท และฝึกฝนลำดับนี้แบบ end-to-end โดยใช้ backpropagation แต่ละบล็อกเครือข่ายจะรับคู่ (X_i,S_i) เป็นอินพุต และสร้าง S_i+1 เป็นผลลัพธ์ สถานะสุดท้าย S_n หรือ (ผลลัพธ์ Y_n) จะถูกส่งไปยังตัวจำแนกเชิงเส้นเพื่อสร้างผลลัพธ์ บล็อกเครือข่ายทั้งหมดใช้ weights เดียวกัน และถูกฝึกแบบ end-to-end โดยใช้การผ่าน backpropagation ครั้งเดียว

เนื่องจากเวกเตอร์สถานะ S₀,...,S_n ถูกส่งผ่านเครือข่าย เครือข่ายจึงสามารถเรียนรู้ความสัมพันธ์เชิงลำดับระหว่างคำได้ ตัวอย่างเช่น เมื่อคำว่า not ปรากฏที่ใดที่หนึ่งในลำดับ เครือข่ายสามารถเรียนรู้ที่จะปฏิเสธองค์ประกอบบางอย่างในเวกเตอร์สถานะ ส่งผลให้เกิดการปฏิเสธ

✅ เนื่องจาก weights ของบล็อก RNN ทั้งหมดในภาพด้านบนถูกแชร์ ภาพเดียวกันสามารถแสดงเป็นบล็อกเดียว (ทางด้านขวา) พร้อมกับวงวนย้อนกลับ ซึ่งส่งสถานะผลลัพธ์ของเครือข่ายกลับไปยังอินพุต

โครงสร้างของเซลล์ RNN

มาดูกันว่าเซลล์ RNN แบบง่ายมีการจัดระเบียบอย่างไร มันรับสถานะก่อนหน้า S_i-1 และสัญลักษณ์ปัจจุบัน X_i เป็นอินพุต และต้องสร้างสถานะผลลัพธ์ S_i (และบางครั้งเราสนใจผลลัพธ์อื่น Y_i เช่นในกรณีของเครือข่าย generative)

เซลล์ RNN แบบง่ายมีเมทริกซ์ weights สองตัวภายใน: ตัวหนึ่งแปลงสัญลักษณ์อินพุต (เรียกว่า W) และอีกตัวหนึ่งแปลงสถานะอินพุต (H) ในกรณีนี้ ผลลัพธ์ของเครือข่ายจะถูกคำนวณเป็น σ(W×X_i+H×S_i-1+b) โดยที่ σ คือฟังก์ชันการกระตุ้น และ b คือ bias เพิ่มเติม

ภาพโดยผู้เขียน

ในหลายกรณี โทเค็นอินพุตจะถูกส่งผ่านเลเยอร์ embedding ก่อนเข้าสู่ RNN เพื่อลดมิติ ในกรณีนี้ หากมิติของเวกเตอร์อินพุตคือ emb_size และเวกเตอร์สถานะคือ hid_size - ขนาดของ W คือ emb_size×hid_size และขนาดของ H คือ hid_size×hid_size

หน่วยความจำระยะยาวและระยะสั้น (LSTM)

หนึ่งในปัญหาหลักของ RNN แบบคลาสสิกคือปัญหา vanishing gradients เนื่องจาก RNN ถูกฝึกแบบ end-to-end ในการผ่าน backpropagation ครั้งเดียว มันจึงมีความยากลำบากในการส่งผ่านข้อผิดพลาดไปยังเลเยอร์แรกของเครือข่าย และทำให้เครือข่ายไม่สามารถเรียนรู้ความสัมพันธ์ระหว่างโทเค็นที่อยู่ห่างกันได้ วิธีหนึ่งในการหลีกเลี่ยงปัญหานี้คือการแนะนำ การจัดการสถานะอย่างชัดเจน โดยใช้สิ่งที่เรียกว่า gates มีสถาปัตยกรรมที่เป็นที่รู้จักสองแบบในลักษณะนี้: Long Short Term Memory (LSTM) และ Gated Relay Unit (GRU)

แหล่งที่มาของภาพ TBD

เครือข่าย LSTM ถูกจัดระเบียบในลักษณะคล้ายกับ RNN แต่มีสองสถานะที่ถูกส่งผ่านจากเลเยอร์หนึ่งไปยังอีกเลเยอร์หนึ่ง: สถานะจริง C และเวกเตอร์ซ่อน H ในแต่ละหน่วย เวกเตอร์ซ่อน H_i จะถูกเชื่อมต่อกับอินพุต X_i และพวกมันควบคุมสิ่งที่เกิดขึ้นกับสถานะ C ผ่าน gates แต่ละ gate เป็นเครือข่ายประสาทที่มีการกระตุ้นแบบ sigmoid (ผลลัพธ์ในช่วง [0,1]) ซึ่งสามารถคิดได้ว่าเป็นหน้ากากบิตเมื่อคูณกับเวกเตอร์สถานะ มี gates ดังต่อไปนี้ (จากซ้ายไปขวาในภาพด้านบน):

forget gate รับเวกเตอร์ซ่อนและกำหนดว่าคอมโพเนนต์ใดของเวกเตอร์ C ที่เราต้องลืม และคอมโพเนนต์ใดที่ต้องส่งผ่าน
input gate รับข้อมูลบางส่วนจากอินพุตและเวกเตอร์ซ่อน และแทรกข้อมูลนั้นลงในสถานะ
output gate แปลงสถานะผ่านเลเยอร์เชิงเส้นที่มีการกระตุ้นแบบ tanh จากนั้นเลือกคอมโพเนนต์บางส่วนโดยใช้เวกเตอร์ซ่อน H_i เพื่อสร้างสถานะใหม่ C_i+1

คอมโพเนนต์ของสถานะ C สามารถคิดได้ว่าเป็นธงบางอย่างที่สามารถเปิดและปิดได้ ตัวอย่างเช่น เมื่อเราพบชื่อ Alice ในลำดับ เราอาจต้องการสมมติว่ามันหมายถึงตัวละครหญิง และยกธงในสถานะว่าเรามีคำนามหญิงในประโยค เมื่อเราพบวลี and Tom ต่อไป เราจะยกธงว่ามีคำนามพหูพจน์ ดังนั้นโดยการจัดการสถานะ เราสามารถติดตามคุณสมบัติทางไวยากรณ์ของส่วนต่าง ๆ ของประโยคได้

✅ แหล่งข้อมูลที่ยอดเยี่ยมสำหรับการทำความเข้าใจภายในของ LSTM คือบทความที่ยอดเยี่ยมนี้ Understanding LSTM Networks โดย Christopher Olah

RNN แบบสองทิศทางและหลายเลเยอร์

เราได้พูดถึงเครือข่ายแบบวนซ้ำที่ทำงานในทิศทางเดียว จากจุดเริ่มต้นของลำดับไปยังจุดสิ้นสุด ซึ่งดูเป็นธรรมชาติ เพราะมันคล้ายกับวิธีที่เราอ่านและฟังคำพูด อย่างไรก็ตาม เนื่องจากในหลายกรณีที่ใช้งานจริง เราสามารถเข้าถึงลำดับอินพุตแบบสุ่มได้ อาจมีเหตุผลที่จะดำเนินการคำนวณแบบวนซ้ำในทั้งสองทิศทาง เครือข่ายดังกล่าวเรียกว่า RNN แบบสองทิศทาง เมื่อจัดการกับเครือข่ายแบบสองทิศทาง เราจะต้องมีเวกเตอร์สถานะซ่อนสองตัว หนึ่งตัวสำหรับแต่ละทิศทาง

เครือข่ายแบบวนซ้ำ ไม่ว่าจะเป็นแบบทิศทางเดียวหรือสองทิศทาง จะจับรูปแบบบางอย่างภายในลำดับ และสามารถเก็บรูปแบบเหล่านั้นไว้ในเวกเตอร์สถานะหรือส่งผ่านไปยังผลลัพธ์ เช่นเดียวกับเครือข่ายแบบ convolutional เราสามารถสร้างเลเยอร์แบบวนซ้ำอีกเลเยอร์หนึ่งบนเลเยอร์แรกเพื่อจับรูปแบบระดับสูงและสร้างจากรูปแบบระดับต่ำที่ถูกดึงออกโดยเลเยอร์แรก สิ่งนี้นำเราไปสู่แนวคิดของ RNN หลายเลเยอร์ ซึ่งประกอบด้วยเครือข่ายแบบวนซ้ำสองหรือมากกว่า โดยที่ผลลัพธ์ของเลเยอร์ก่อนหน้าจะถูกส่งไปยังเลเยอร์ถัดไปเป็นอินพุต

ภาพจาก โพสต์ที่ยอดเยี่ยมนี้ โดย Fernando López

✍️ แบบฝึกหัด: Embeddings

เรียนรู้เพิ่มเติมในโน้ตบุ๊กต่อไปนี้:

สรุป

ในหน่วยนี้ เราได้เห็นว่า RNN สามารถใช้สำหรับการจัดประเภทลำดับได้ แต่ในความเป็นจริง มันสามารถจัดการงานอื่น ๆ ได้อีกมากมาย เช่น การสร้างข้อความ การแปลภาษา และอื่น ๆ เราจะพิจารณางานเหล่านั้นในหน่วยถัดไป

🚀 ความท้าทาย

อ่านวรรณกรรมเกี่ยวกับ LSTM และพิจารณาการใช้งาน:

แบบทดสอบหลังเรียน

ทบทวนและศึกษาด้วยตนเอง

Understanding LSTM Networks โดย Christopher Olah

16 KiB Raw Blame History Unescape Escape