2. RNN & LSTM & GRU

sequential data와 이전 hidden state를 입력으로 현재 time step의 출력을 내는 구조.

• $h_(t-1)$ : old hidden state vector
• $x_t$ : input vector at some time step
• $h_t$ : new hidden state vector
• $f_W$ : RNN function with params W
• $y_t$ : output vector at time step t

Types of RNNs

• one-to-one
• one-to-many: image captioning
• many-to-one: sentiment classification
• many-to-many: machine translation, video classification on frame level

RNN have vanishing/exploding gradient problems

---

LSTM (Long Short-Term Memory)

https://colah.github.io/posts/2015-08-Understanding-LSTMs/

Understanding LSTM Networks -- colah's blog

LSTM Cell

Sigmoid: 원래 가지던 값의 일부를 보존 (0 ~ 1 사이기 때문)

 

LSTM의 네개의 gate의는 cell state간 information의 flow량을 결정한다. 

• Forget Gate: 이전 정보 중 일부만 보존한다.

• Gate Gate: 

 

Generate Information to be added and cut it by input gate

Generate new cell state by adding current information to previous cell state

$C_t$: 기억해야할 모든 정보를 보존

$h_t$: 현재 time step의 예측값에 직접적인 정보만을 담음

 

GRU (Gated Recurrent Unit)

• LSTM을 경량화. hidden state vector만 존재
• forget gate와 input gate로 만들어지던 cell state를 $1 - z_t$ , $z_t$로 변경 -> 가중 평균의 형태로 계산

 

LSTM과 GRU 모두 덧셈으로 정보를 만들어주기 때문에 gradient를 큰 변형 없이 전달할 수 있어서 long-term dependency 문제를 해결.

---

실습 / 과제

• nn.Embedding(): 파이토치에서 임베딩 층을 만들어 임베딩 벡터를 학습하는데 사용됨
• 두개의 인자 num_embeddings과 embedding_dim을 사용
  • num_embeddings : 임베딩을 할 단어들의 개수. 다시 말해 단어 집합의 크기입니다.
  • embedding_dim : 임베딩 할 벡터의 차원입니다. 사용자가 정해주는 하이퍼파라미터입니다.
  • padding_idx : 선택적으로 사용하는 인자입니다. 패딩을 위한 토큰의 인덱스를 알려줍니다.
• packed_padded_sequence

[참고] https://wikidocs.net/64779 
https://pytorch.org/docs/stable/generated/torch.nn.utils.rnn.pack_padded_sequence.html