Chainerの使い方と自然言語処理への応用

Chainerの使い方と自然言語処理への応用

1. 1. Chainerの使い⽅方と ⾃自然⾔言語処理理への応⽤用 2015/11/25  WebDB  forum@芝浦⼯工業⼤大学 （株）Preferred  Infrastructure 海野 　裕也 v1.5向け
2. 2. ⾃自⼰己紹介 海野  裕也 l  -2008 東⼤大情報理理⼯工修⼠士 l  ⾃自然⾔言語処理理 l  2008-2011 ⽇日本アイ・ビー・エム（株）東京基礎研 l  テキストマイニング、⾃自然⾔言語処理理の研究開発 l  2011- （株）プリファードインフラストラクチャー l  ⾃自然⾔言語処理理、情報検索索、機械学習、テキストマイニングなど の研究開発 l  研究開発系案件、コンサルティング l  JubatusやChainerの開発 NLP若若⼿手の会共同委員⻑⾧長（2014-） 「オンライン機械学習」（2015, 講談社） 2
3. 3. Chainer http://chainer.org/ 3 v1.5が本⽇日リリース
4. 4. 今⽇日のおはなし l  Chainer の使い⽅方を紹介します l  Deep Learning のおさらいも簡単にしますが、学術 的な詳細は既存の⽂文献を参考にしてください l  CUDA サポートについても解説しますが、CUDA  の 詳細は NVIDIA のドキュメントを参照してください l  ⾃自然⾔言語処理理への応⽤用⽅方法を紹介します l  Recurrent Net などのよく知られた結果を  Chainer で実装する⽅方法を紹介します 4
5. 5. ニューラルネットの基礎
6. 6. ニューラルネット l  値が伝播していく有向グラフ l  エッジで重みをかけて、ノードに⼊入るところで⾜足し 込み、ノードの中で⾮非線形変換する l  全体としては巨⼤大で複雑な関数を表す 6
7. 7. ニューラルネット＝合成関数 l  ベクトルに対して線形・⾮非線形な関数をたくさん適 ⽤用する合成関数と捉えるとよい l  各ノードはベクトルを保持する変数 7
8. 8. ⼀一般のニューラルネットは  DAG = 計算グラフ ⼀一般にはグラフが分岐したり合流流したりする l  分岐：同じ変数を複数の場所でつかう l  合流流：⼆二つ以上の変数を受け取る関数を適⽤用する 8
9. 9. 計算グラフの例例 z = x ** 2 + 2 * x * y + y 9 x y _ ** 2 2 * _ _ * _ _ + _ z _ + _
10. 10. 機械学習のおさらい 多くの機械学習⼿手法は、 1.  ⽬目的関数の設計 2.  勾配の計算 3.  最⼩小化のための反復復計算 からなる 10 先ほどの計算は ここに使う
11. 11. 機械学習の例例：分類学習の⽬目的関数 11 argminw ∑(x, y) l(x, y; w) l  xは⼊入⼒力力ベクトル、yは予測ラベル l  l(x, y)は予測が正しければ⼩小さく、間違えれば⼤大 きくなる値（損失関数） l  上記関数を最⼩小化するパラメータｗを求めたい
12. 12. 機械学習の例例：分類学習のアルゴリズム l  ⽬目的関数をパラメータwで微分した値（勾配） を計算する⽅方法を⽤用意する l  wを勾配の⽅方向に少しだけ動かす、を繰り返す l  実際は更更新⽅方向の取り⽅方に⼯工夫が他数ある 12 initialize w until converge: w := w - η d/dw L(x, y; w) 最急降降下法
13. 13. 誤差逆伝播（後退型⾃自動微分） 合成関数の微分を計算するには連鎖律律 (chain rule) をつかう 13 z = h(y), y = g(x), x = f(w) z w = z y y x x w = Dh(y)Dg(x)Df (w) 各関数の微分がわかれば機械的に計算できる
14. 14. 誤差逆伝播は、計算グラフを逆向きにたどる 計算グラフと順伝播時の各変数の値があれば計算可能 14
15. 15. ニューラルネットの学習⽅方法 1.  ⽬目的関数の設計 l  計算グラフを⾃自分で設計する 2.  勾配の計算 l  誤差逆伝播で機械的に計算できる 3.  最⼩小化のための反復復計算 l  勾配を使って反復復更更新する 15 １さえ設計すれば残りは ほぼ⾃自動化されている
16. 16. Recurrent Net l  ループがあるニューラルネット l  時刻の概念念があり、t=T の状態は t=T-1 の状態と t=T の⼊入 ⼒力力を使って求める 16 T T-1 T
17. 17. Recurrent Net は時間展開して考える l  時間展開すれば、DAG の計算グラフになる l  DAG の計算グラフは誤差逆伝播できる（Backprop Through Time） 17 t=1 t=2 t=3 t=4
18. 18. Truncated BPTT l  ⻑⾧長い系列列を学習するとき、計算グラフが⻑⾧長⼤大になり計算コ ストがかかる l  古い情報を忘れて（グラフを切切り落落として）計算コストを 削減するのが Truncated BPTT（勾配は不不正確になる） 18 t=1 t=2 t=3 t=4 Truncated
19. 19. Chainer の使い⽅方
20. 20. Chainer はニューラルネットのフレームワーク l  機能 l  ニューラルネットを記述する l  ニューラルネットの順伝播・逆伝播を実⾏行行する l  勾配法を実⾏行行してパラメータを最適化する l  Chainer の特徴 l  順伝播は単純に Python のスクリプトとして書ける l  そのスクリプトの実⾏行行結果は計算⼿手順を記憶してい て、逆伝播を⼿手で書く必要はない 20
21. 21. Chainer のインストール l  環境は Linux（特に Ubuntu）がおすすめ l  インストール⽅方法 l  新しめの Python 環境を⽤用意（CPython 2.7+, 3.4+, 3.5+） l  pip も⽤用意 l  コマンドを実⾏行行：  pip install chainer l  chainer パッケージが import できれば完了了です l  Python スタックの環境構築は、Anaconda  がお すすめ l  Python のバージョン管理理は  pyenv がおすすめ l  pyenv からコマンド⼀一つで Anaconda もインストールできます 21
22. 22. 順伝播 l  今まで「変数」と呼んでいたものは、Chainer では  Variable オブジェクト l  Variable を  Function に⼊入れると、順伝搬後の Variable が返ってくる l  Variable が計算グラフを保持している l  Function は、四則演算以外に chainer.functions に⽤用意されている 22
23. 23. 順伝搬とコード例例 23 x y _**2 2*_ _*_ _+_ z _+_ x = Varaible(...) y = Variable(...) z = x ** 2 + 2 * x * y + y
24. 24. Variable オブジェクト l  計算グラフの（データ）ノード l  NumPy または  CuPy（後述）の配列列を保持する l  初期化時に配列列を渡す l  data 属性に保存される l  多くの Function は配列列の最初の軸をミニバッチとして 使うので注意 l  下の x は、20 次元ベクトルが 10 個⼊入ったミニバッチとみなす l  現状、Chainer は多くの場所で  float32 配列列を要求する ので注意 24 x = Variable(np.zeros((10, 20), dtype=np.float32)) x.data
25. 25. Function オブジェクト l  計算グラフの「演算」ノード l  chainer.functions (以降降 F)  にいろいろ定義され ている l  F.relu, F.max_pooling_2d, F.lstm, ... l  Functionの呼び出し結果が、再びVariableになる l  v1.5からパラメータはLinkとして分離離された（後述） 25 x = Variable(...) y = F.relu(x) # yもVariable
26. 26. Link オブジェクト l  パラメータ付きの関数 l  最適化の対象となる l  save/loadができる（v1.5からsave/loadをサポート） l  chainer.links（以降降L）に⾊色々⽤用意されている l  L.Linear, L.Convolution2D, L.EmbedID, ... l  Linkの呼び出し結果が、再びVariableになる l  v1.5からFunctionとパラメータは分離離され、パラメータ 付きの関数はLinkオブジェクトになった 26 v1.5~
27. 27. ChainでLinkをまとめる l  ⼀一般的にパラメータ付きの関数（Link）は複数あるので、 Chainでまとめて管理理できる l  Chainを継承すると再利利⽤用しやすくなる model = Chain(embed=L.EmbedID(10000, 100), layer1=L.Linear(100, 100), layer2=L.Linear(100, 10000)) x = Variable(...) h = F.relu(model.layer1(model.embed(x))) y = model.layer2(h) 27 v1.5~
28. 28. ロス関数、勾配計算 l  ロス関数もFunctionの⼀一種 l  ロス関数の出⼒力力に、Variable.backward()  を呼ぶと 勾配が計算できる loss = F.softmax_cross_entropy(y, t) loss.backward() 28
29. 29. Optimizer の設定 l  勾配が計算できたら、あとは勾配法をまわす l  勾配法のアルゴリズムは  Optimizer クラスの⼦子クラス l  chainer.optimizers に定義されている l  実装されている最適化⼿手法：SGD, MomentumSGD, AdaGrad, RMSprop, RMSpropGraves, AdaDelta, Adam l  最適化対象をsetup メソッドに渡す l  正則化はhook関数として登録する optimizer = optimizers.SGD() optimizer.setup(model) optimizer.add_hook(optimizer.WeightDecay()) 29
30. 30. Optimizer による最適化 l  まず勾配をゼロ初期化：zerograds() l  順伝播・逆伝播を実⾏行行 l  最適化ルーチンを実⾏行行：update() l  以上を何回も繰り返す model.zerograds() loss = ... loss.backward() optimizer.update() 30
31. 31. Chainer を使う場合の全体の流流れ 1.  Linkを使ってChainを定義する 2.  Optimizer  に、Chain を設定する 3.  forward 関数を定義する 4.  データセットを読み込み、訓練⽤用と評価⽤用にわける 5.  訓練ループを回す a.  勾配をゼロ初期化 b.  順伝搬して、得られたロス値の backward メソッドを呼ぶ c.  Optimizerを、update 6.  適当な頻度度で評価ループを回す a.  テストデータで順伝搬関数を呼んで結果を記録 31
32. 32. 新しい Function を⾃自分で定義する l  Function は Python で新しく作ることができる l  forward(_cpu/_gpu) と backward(_cpu/_gpu) を実装 する必要がある l  配列列のタプルを受け取って、配列列のタプルを返す l  Linkは内部でFunctionを呼んで作る 32
33. 33. ⾃自作Functionの例例 class SquaredDiff(Function): def forward_cpu(self, inputs): x, y = inputs z = x – y return z * z, def backward_cpu(self, inputs, grad_outputs): x, y = inputs gz = grad_outputs gx = 2 * (x – y) * gz return gx, -gx 33 tupleを返す 勾配をtupleで返す
34. 34. 新しい Function を⾃自分で定義する l  Function を書いたらテストしましょう l  とくに勾配チェック (gradient check) は必須 l  有限差分法で forward のみから計算した勾配が、backward で 計算した勾配と⼀一致するかを確かめる l  chainer.gradient_check.numerical_grad を使うと簡単 に書ける l  公式リポジトリの tests/chainer_tests/ function_tests にたくさん例例が書いてあります 34
35. 35. CUDA サポート l  CuPy: 新しい CUDA 配列列実装 l  NumPy と同じようなインターフェイスで使える l  関数・メソッドのサブセットを実装 l  配列列のスライス、転置、reshape 等も⾃自由にできます l  カスタムカーネルも記述できる（elementwise, reduction） 35
36. 36. CuPy を使う準備 l  まず CUDA が使える GPU を⽤用意する l  CUDA 6.5 以上をインストール l  Ubuntu なら公式に deb パッケージがお薦め l  パスを通す l  PATH と LD_LIBRARY_PATH を通す必要があります l  公式インストーラからはデフォルトで /usr/local/cuda にインストー ルされるので、以下のように設定 l  PATH=/usr/local/cuda/bin:$PATH l  LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH l  Chainer をインストールしたら  cupy モジュールを import してみて動くか確認 36
37. 37. CuPy の使い⽅方 l  基本的に  numpy の代わりに  cupy を使う以外は   NumPy と⼀一緒 l  CPU/GPU の両⽅方で動く関数の書き⽅方 l  chainer.cuda.get_array_module() を使うと、引数に   cupy.ndarray があるかないかで  numpy / cupy のどちらかを返してく れます l  例例えば下は  NumPy と  CuPy の両⽅方で動く  logsumexp の実装例例（よ り省省メモリな実装を考えてみてください） def logsumexp(x, axis=None): xp = cuda.get_array_module(x) x_max = x.max(axis=axis) return x_max + xp.log(xp.exp(x – x_max).sum(axis=axis)) 37
38. 38. Chainerをつかった⾃自然⾔言語処理理の例例
39. 39. ⾃自然⾔言語処理理のサンプルは他数同梱されている l  word2vec l  Skip-gram/Continuous BoW l  Negative Sampling/Hierarchical Softmax l  Recurrent Neural Network l  Long-short term memory l  Gated recurrent unit l  Recursive Neural Network l  Neural Tensor Network 39
40. 40. Recurrent Neural Network l  次の単語を次々に予測するモデル l  隠れ変数を更更新しながら予測に使う 40 x1 x2 x3 x4 h1 h2 h3 h4 y1 y2 y3 y4 h0 yi は xi+1 の予測
41. 41. LSTM-RNN⾔言語モデル class RNNLM(chainer.Chain): def __init__(self, n_vocab, n_units, train=True): super(RNNLM, self).__init__( embed=L.EmbedID(n_vocab, n_units), l1=L.LSTM(n_units, n_units), l2=L.LSTM(n_units, n_units), l3=L.Linear(n_units, n_vocab)) self.train = train 41 埋め込みベクトル 2段のLSTM 出⼒力力
42. 42. LSTM-RNN⾔言語モデル def reset_state(self): self.l1.reset_state() self.l2.reset_state() def __call__(self, x): h0 = self.embed(x) h1 = self.l1(F.dropout(h0, train=self.train)) h2 = self.l2(F.dropout(h1, train=self.train)) y = self.l3(F.dropout(h2, train=self.train)) return y 42 LSTMは前の時刻の隠れ状態を 保持している
43. 43. LSTM-RNN⾔言語モデルを学習する for i in range(jump * n_epoch): x = chainer.Variable(...) t = chainer.Variable(...) loss_i = model(x, t) accum_loss += loss_i ... model.zerograds() accum_loss.backward() accum_loss.unchain_backward() # truncate accum_loss = 0 optimizer.update() 43 truncated BPTT
44. 44. word2vec l  周囲の単語から中⼼心の単語を予測するモデル（CBoW） l  中⼼心の単語から周囲の単語を予測するモデル（Skip- gram） 44
45. 45. word2vec class ContinuousBoW(chainer.Chain): def __init__(self, n_vocab, n_units, loss_func): super(ContinuousBoW, self).__init__( embed=F.EmbedID(n_vocab, args.unit), loss_func=loss_func) def __call__(self, x, context): h = None for c in context: e = self.embed(c) h = h + e if h is not None else e return self.loss_func(h, x) 45 コンテキストの平均を取って出 ⼒力力に投げるだけ 埋め込みベクトル
46. 46. Recursive Neural Network l  事前に与えられた構造（普通は構⽂文⽊木）に沿って、再帰 的にベクトルを結合する l  Recurrent Netは直鎖に対するRecursive Netともとれる 46 x1 x2 p1 x3 p2 p1 = f(x1, x2) p2 = f(p1, x3)
47. 47. Recursive Neural Network class RecursiveNet(chainer.Chain): def __init__(self, n_vocab, n_units): super(RecursiveNet, self).__init__( embed=L.EmbedID(n_vocab, n_units), l=L.Linear(n_units * 2, n_units), w=L.Linear(n_units, n_label)) def leaf(self, x): return self.embed(x) def node(self, left, right): return F.tanh(self.l(F.concat((left, right)))) 47 leafで埋め込み nodeで合成
48. 48. Recursive Netで構⽂文⽊木をたどる def traverse(model, node): if isinstance(node['node'], int): # leaf node word = xp.array([node['node']], np.int32) loss = 0 x = chainer.Variable(word) v = model.leaf(x) else: # internal node left_node, right_node = node['node'] left_loss, left = traverse(model, left_node) right_loss, right = traverse(model, right_node) v = model.node(left, right) loss = left_loss + right_loss 48
49. 49. 公式の Examples 公式リポジトリの examples ディレクトリにいくつか例例が あります l  mnist: MNIST を多層パーセプトロンで学習するもっと も基本のサンプル l  imagenet: ImageNet からの⼤大規模ConvNet学習 l  modelzoo: Caffe 公式モデルを読み込んでつかう l  ptb: Penn-Tree Bank から LSTM ⾔言語モデルを学習する l  無限⻑⾧長の⼊入⼒力力に対する Truncated BPTT の例例にもなっています l  word2vec: word2vec の実装と PTB からの学習 l  sentiment: Recursive Net を使った極性判定 49
50. 50. まとめ l  ニューラルネットを（おもに実装⾯面から）簡単におさら いしました l  Chainer の使い⽅方をざっくりお伝えしました l  このチュートリアルをもとに、Chainer を使って⾃自然⾔言 語処理理でなにか作って公開、または論論⽂文発表していただ けると⼤大変うれしいです l  Chainer ⾃自体へのフィードバックもお待ちしております 50