기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

순전파와 역전파(forward & backward propagation)

내용

순전파와 역전파(forward & backward propagation)

학습과정

일반적으로 신경망은 가장 먼저 층(layer)을 구성하며 입력은 그 층을 통과하여 relu 등과 같은 활성함수에 의해 출력됩니다.

tf.keras.layers.Dense(512, activation="relu")
output=relu(dot(W, input)+b)

위 relu 함수에서 W, b는 층의 속성인 텐서호 입력과 출력의 관계를 결정하는 가중치와 편차로 위 과정을 반복하면서 학습되는 매개변수입니다. 각각은 커널과 편향 속성이라고 합니다.

다음에서 나타낸 과정과 같이 초기 W, b는 임의 값으로 지정되며 입렬(input)과 함께 층으로 입력되며 드 출력이 이렂ㅇ한 기준을 만족하지 않은 경우 다시 층으로 입력되는 과정을 반복합니다. 이 과정을 학습(training)이라고 하며 학습을 통해 W, b의 최적화가 이루어지며 그에 대응하는 결과물이 출력됩니다. 이 과정이 머신러닝 또는 딥러닝의 핵십이 됩니다.

W0, b0, Input →layers ←
↓ ↑
activation, other operation
↓
Woptim, boptim
↓
Output
→: forward
→: backward

위 학습과정은 다음의 단계로 구성됩니다.

1 단계. 레이어, 활성함수, 출력층을 구축합니다.
가중치, 편차, 입력을 조합하는 초기 모델을 설정합니다.
2 단계. 모델에 의한 y의 추정치(ypred)를 계산합니다.
이 단계를 forward propagation(순방향 전파)라고 합니다.
3 단계. ypred와 y간의 불일치 측정값인 비용(cost) 또는 손실(loss)을 계산합니다.
비용함수를 설정합니다.
4 단계. 손실을 최소화하기 위한 W, b를 업데이트 합니다.
x의 변수에 대한 W, b의 기울기를 계산합니다.
각 기울기를 3 단계까지 사용된 W, b에 적용하여 업데이트 합니다.
이 업데이트 과정은 4단계에서 3, 2 단계로 역으로 추적되는 과정으로 backwawd propagation(역방향 전파)라고 합니다.

위 학습과정으로 인해 결국 ypred와 y간의 낮은 불일치, 즉, 손실이 매우 낮은 네트워크가 구축 됩니다. 즉, 특징(feature) x로 라벨 y를 적절하게 매핑하는 방법을 찾는 것입니다. 이 과정에서 가중치의 결정하는 4 단계가 난관이 됩니다. 만약 가중치 0.4일 경우 손실이 0.5이고 0.3일 경우 0.6이라면 가중치는 0.35로 지정되는 방식으로 진행 할 수 있지만 매우 비효율적입니다. 이에 반해 네트워크에서 사용되는 모든 연산이 미분 가능하다는 사실을 활용하고 네트워크 계수와 관련하여 손실의 기울기(gradient)를 계산하고 그 값을 가중치와 편차에 적용하는 과정을 반복하여 최적의 결과를 유도합니다. 즉, 손실을 최소화합니다.

미분

그림 1은 곡선(f) 위의 임의의 두 점, C, B를 연결하는 직선과 A와의 접선을 나타냅니다. 두 점 C와 B가 A쪽으로 접근한다면 기울기 c는 접선의 기울기 a에 근접할 것이며 결국에 기울기 c는 a와 같아질 것입니다. 결과적으로 A와 충분히 가까운 두 점 사이의 기울기를 A의 도함수 또는 미분(derivative)라고 합니다.

그림 1.

한 점에서 미분 결과의 절대값은 변화의 강도, 부호는 변화의 증가 또는 감소를 나타냅니다. 결과적으로 그 미분값은 증가 또는 감소의 속도(강도)를 알려줍니다.

모든 연속인 함수는 미분가능하며 일정한 지점에서의 미분값을 고려함으로서 목표로 하는 방향으로 그 지점의 이동을 유도할 수 있습니다. 즉, 다음 2차 함수의 그림에서 함수 위의 임의의 점 A를 아래 방향으로 이동시키기 위해 미분을 적용한 것입니다.

그림 2.

기울기(gradient): 자동미분

기울기는 학습에 참여하는 여러 텐서들의 연산에 대한 미분 결과입니다. 즉, 학습에서 생성되는 예측치와 실측치의 차이를 감소시키는 목적으로 그 둘의 차이 즉, 식 1의 비용(cost)이 미분의 대상이 됩니다.

$$\begin{align}\tag{1}&\hat{y_i}=x_i \cdot W + b\\ &\text{cost}=\frac{\sum^N_{i=1}(y_i-y)^2}{N} \end{align}$$

식 1에서 N은 데이터의 샘플의 크기입니다. 식에서 x, y는 상수이므로 비용은 예측치($\hat{y_i}$)에 의존합니다. 이 예측치는 가중치 W와 편차 b의 함수로 결국 비용은 가중치와 편차의 함수가 됩니다.

cost = f(W, b)

식 1에서 나타낸 것과 같이 비용은 실측치와 예측치에 대한 2차 함수 즉, MSE(mean squared error)가 됩니다. 결국 위 그림 2에서 곡선을 비용함수로 간주할 수 있으므로 비용이 최소로 되는 지점까지의 이동은 가중치에 대한 비용의 미분을 고려함으로서 달성될 수 있습니다. 이 단계서 미분항의 값이 크다면 감소 속도가 증가되어 최소지점을 지나칠 가능성이 존재합니다. 이러한 가능성을 최소로 하기 위해서 감소율을 축소할 수 있습니다. 이를 위해 step factor 또는 학습율(learning factor, η)를 고려해줍니다.

W=W0 →cost=f(W) ←
↓ ↑
W = W-η$\mathbf{\frac{d(f(W))}{dW}}$
↓
Woptim

자동미분

위의 미분은 연산은 tensorflow에서 자동으로 진행할 수 있는 함수를 제공합니다. 즉, 입력변수에 대한 연산의 변화 즉, 기울기(gradient)를 계산하는 자동미분은 tf.GradientTape 클래스를 통해 실행됩니다. 실행되는 모든 연산이 tf.GradientTape에 기록됩니다. 이 과정은 그림 1의 역전파(backward propagation) 단계에서 이루어집니다.

다음은 2차원 텐서에 대한 역전파로 미분 연산 과정을 나타낸 것입니다.

$$\begin{align}x=\begin{bmatrix}x_{11}=1&x_{12}=1\\x_{21}=1&x_{22}=1\end{bmatrix} &\overset{+}{\Large{\Rightarrow}} & y=\sum x \qquad &\overset{\times}{\Large{\Rightarrow}} &z=y^2\\ &&&&\Large{\Downarrow} \\ \begin{aligned}\frac{dz}{dx}&=\frac{dz}{dy}\frac{dy}{dx}\\&=8\begin{bmatrix}1&1\\1&1\end{bmatrix}\\&=\begin{bmatrix}8&8\\8&8\end{bmatrix}\end{aligned} &\Large{\Leftarrow} &\frac{dy}{dx}=\begin{bmatrix}\frac{dx_{11}}{dx_{11}}&\frac{dx_{12}}{dx_{12}}\\\frac{dx_{21}}{dx_{21}}&\frac{dx_{22}}{dx_{22}}\end{bmatrix} &\Large{\Leftarrow} &\begin{aligned}\frac{dz}{dy}&=2y\\&=8 \end{aligned} \end{align}$$
tf.GradientTape(persistent=False, watch_acessed_variables=True)
tf.GradientTape()
이 클래스는 with 문을 사용하여 객체화합니다.
tf.GradientTape.watch()
이 함수를 적용하기 위한 객체, 즉 미분인자가 될 객체는 상수가 아닌 변수형이어야 합니다. .watch()메소드에 의해 전환 합니다.
tf.GradientTape.gradient(target, sources, output_gradients=None,...)
객체의 미분된 값을 호출
persistent=True
gradient() 메소드에 의해 결과가 호출되는 즉시 기록물은 삭제 됩니다. 그러나 persistent를 True로 지정함으로서 기록물들은 보존됩니다.

미분의 결과를 기록하기 위한 객체를 x라고 하면 이 객체를 변수로 지정해야 합니다. 위에서 언급한 것과 같이 tf.GradientTape.watch(x)를 적용합니다. 이 적용에 의해 객체 x에 대한 미분 결과들이 클래스 인스턴스에 기록됩니다. 다음은 x=5에 대한 미분 과정입니다.

$$\begin{align}&x=5, \quad y=x^5\\ &\frac{dy}{dx}=2x=10 \\&\frac{d^2y}{dx^2}=2 \end{align}$$
import tensorflow as tf
from tensorflow import keras
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
x=tf.constant(5.0)
with tf.GradientTape() as g: # 2차 미분(gradeient)를 위한 class instance
    g.watch(x) #2차 미분을 위한 전환
    with tf.GradientTape() as gg:#1차 미분(gradient)를 위한 class instance
        gg.watch(x)
        y=x**2
    dydx1=gg.gradient(y, x) #1차 미분
dydx2=g.gradient(dydx1, x)

dydx1   
<tf.Tensor: shape=(), dtype=float32, numpy=10.0 >
dydx2
<tf.Tensor: shape=(), dtype=float32, numpy=2.0 >
x=tf.constant(5.0)
y=x**2
with tf.GradientTape() as f:
    f.watch(x)
    y=x**2
    z=y**2
    w=z**2
dwdx=f.gradient(w, x)
dwdx
<tf.Tensor: shape=(), dtype=float32, numpy=625000.0>

f인 tf.GradientTape() 클래스 인스턴스에서 상수 x를 변수로 정의하고 객체 y, z, w를 선언하였스며 그 과정에서 각각의 그래디언트가 실행되었습니다. 즉, 객체 y, z, w를 변수 x 대해 미분이 시행된 상태입니다. 이 결과들 중 w의 미분을 호출한 것입니다.

다음으로 z의 미분결과를 호출하면 에러가 발생합니다. 이는 클래스의 매개변수 중 persistent=False로 지정하였으므로 결과를 호출한 즉시 f에 대한 모든 기록이 삭제되기 때문입니다. 대신에 기록들을 보존하기 위해서는 이 매개변수 persistent를 True로 지정합니다.

dzdx=f.gradient(z, x)
dzdx
---------------------------------------------------------------------------
   RuntimeError: A non-persistent GradientTape can only be used tocompute one set of gradients (or jacobians)
x=tf.constant(5.0)
y=x**2
with tf.GradientTape(persistent=True) as f:
    f.watch(x)
    y=x**2
    z=y**2
    w=z**2
dwdx=f.gradient(w, x)
dwdx
<tf.Tensor: shape=(), dtype=float32, numpy=625000.0>
f.gradient(z, x)
<tf.Tensor: shape=(), dtype=float32, numpy=500.0>
f.gradient(y, x)
<tf.Tensor: shape=(), dtype=float32, numpy=10.0>

기본적으로 GradientTape는 컨텍스트 내에서 접근되는 모든 학습 가능한 변수를 자동으로 감시합니다. 감시되는 변수를 세부적으로 제어하려면 watch_accessed_varaibles=False를 테이프 생산성자에 전달하여 자동 추적을 비활성화 할 수 있습니다. 이 경우 기록을 위해 지정된 변수에 대한 계산만 수행됩니다.

x=tf.constant(5.0)
w=tf.constant(2.0)
with tf.GradientTape(persistent=True, watch_accessed_variables=False) as g:
    g.watch(x)
    y=x**3
    z=w**3
dydx=g.gradient(y, x)
dydx.numpy()
75.0
dzdw=g.gradient(z, w) #w에 대한 미분을 실행되지 않음 
dzdw

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...