Machine Learning은 즐겁다! Part 2

Machine Learning은 즐겁다! Part 2

출처 : 기계학습(Machine Learning, 머신 러닝)은 즐겁다! Part 2

Part 1에서는 기계 학습(Machine Learning)이 문제를 해결하기 위해 코드를 전혀 작성하지 않고도, 일반 알고리즘을 사용해 주어진 데이터에서 흥미로운 것을 알아낼 수 있다는 것 알아냄

이번 포스팅에서는 이러한 일반 알고리즘 중 하나로 사람들이 만든 것처럼 보이는 비디오 게임의 레벨을 제작하는 것을 볼 수 있음 우리는 신경망(neural network)를 만들고 기존의 슈퍼 마리오 레벨들을 통해서 새로운 슈퍼 마리오 레벨이 쉽게 만들어지는 것을 살펴 볼 예정

알고리즘이 만들어낸 레벨 중 하나

좀 더 영리하기 추측하기

Part 1에서 우리는 주택의 속성을 기반으로 주택 가치를 추정하는 간단한 알고리즘을 만들었음

- 간단한 추정 함수(estimation function)

def estimate_house_sales_price(num_of_bedrooms, sqft, neighborhood): price = 0 # 이건 한 꼬집 넣고 price += num_of_bedrooms * 0.123 # 그리고 저건 한 스픈 정도 넣고 price += sqft * 0.41 # 이건 아마도 한 줌 넣고 price += neighborhood * 0.57 return price

- 우리는 각 속성에 가중치를 곱하여 주택 가격을 추정, 그리고 이 값들을 더해서 주택의 최종 가치를 얻음

화살표에 있는 숫자가 우리의 함수의 가중치

- 코드를 사용하는 대신 간단한 다이어그램으로 해당 함수 표현

- 이 알고리즘은 입력 데이터와 결과 사이에 있는 선형(linear) 관계가 있는 단순한 문제에 대해서만 동작

- 주택 가격이 실제로 그렇게 단순하지 않다면?

- ex) 큰 주택과 작은 주택에서는 이웃이 크게 중요할 수 있지만 중간 크기 집에서는 중요하지 않을 수 있음

- 우리의 모델이 이런 종류의 복잡한 세부사항 적용이 가능할까?

우리는 각각 다른 경우에 적용되는 서로 다른 가중치를 사용해서 알고리즘을 여러 번 실행해 볼 수 있음

네 가지 다른 방법으로 문제 풀기

- 여기 서로 다른 네 가지의 가격 예측이 있음

- 이 네 가지 가격 예측들을 하나의 최종 예측으로 결합하고 동일한 알고리즘으로 다시 실행

- 우리의 새로운 최종 해답은 문제를 해결하기 위한 네 가지 시도의 예측들을 결합한 것

- 이러한 방법을 이용하면 하나의 간단한 모델에서 다룰 수 있는 것보다 더 많은 사례에 대한 모델링 가능

신경망(Neural Network)이란 무엇인가요?

- 우리의 네가지 시도를 하나의 큰 다이어그램으로 결합

이것이 바로 신경망!

- 각 노드는 일련의 입력을 받아들여 가중치를 적용하거고, 출력 값을 계산하는 방법을 알고 있음

- 이렇게 많은 노드를 서로 연결함으로써, 우리는 복잡한 함수를 모델링할 수 있음

이 글을 쉽게 유지하기 위해 (feature scaling과 activation function을 포함해) 많은 부분을 생략했지만, 여기서 가장 중요한 것은 다음의 기본 아이디어

우리는 일련의 입력을 받고 가중치를 곱해 출력을 얻는 간단한 추정 함수를 만듬 → 뉴런(neuron)

단순한 뉴런들을 서로 연결함으로써, 우리는 하나의 단일 뉴런으로 모델링하기에는 너무 복잡한 함수를 모델링할 수 있음

이것은 레고와 같음, 하나의 레고 블록으로는 많은 모델을 만들 수는 없지만, 조립할 수 있는 기본 레고 블록이 충분하다면 어떤 것이라도 모델링 가능

얼룩말!!

신경망(Neural Network)에 메모리 주기

앞서 우리가 본 신경망은 동일한 입력을 주면 항상 같은 결과를 반환

메모리(기억 장치)가 없기 떄문, 프로그래밍 용어로 말하면 이것은? 상태 비지정 알고리즘(stateless algorithm)

집값 추정과 같은 많은 경우에, 이 방식은 당신이 정확히 원하는 것!

그러나 이런 종류의 모델이 할 수 없는 한가지는 시간이 지남에 따라 변하는 데이터의 패턴에 대응하는 것

키보드를 건내주고 이야기를 하나 써보라고 하는 상황을 상상, 그런데 시작하기 전에 내 직업은 사람들이 타이핑할 첫 번째 글자를 예측하는것 → 어떤 글자 예측?

영어 지식을 사용해 올바른 글자를 예측하는 확률을 높일 수 있음

- ex) 나는 단어의 첫 글자에 많이 사용되는 글자를 입력할지도 모름. 과거에 쓴 이야기를 봤다면 아마도 이야기의 시작 부분에서 일반적으로 사용하는 단어를 바탕으로 좀 더 좁힐 수도 있음. 일단 모든 데이터가 확보되면 신경망을 구축해서 당신이 글을 시작할 때 특정 글자를 얼마나 사용할 가능성이 있는지를 모델링할 수 있을 것

우리의 모델은?

이제 문제를 더 어렵게 만들어, 나의 이야기의 어느 부분에서든 입력할 다음 글자를 추측해야 한다고 가정

어니스트 헤밍웨이(Ernest Hemingway)의 The Sun Also Rises의 처음 몇 단어를 예시로 들어 봄

Robert Cohn was Once middleweight boxi

- 이 다음에 올 글자는 무엇인가?

- 'n'을 추측할 수 있음 → boxing

- 우리는 저 문장에서 보이는 글자들과 영어의 일반적인 단어에 대한 지식을 바탕으로 이를 알 수 있음

- 또한 미들급('middleweight')이라는 단어는 권투에 대해 이야기하고 있다는 추가 단서를 제공해 줌

- 신경망으로 이 문제를 해결하려면 우리 모델에 상태(state)를 추가해야 함

- 우리가 신경망에 응답을 요청할 때마다 우리는 중간 계산 결과들을 저장하고 다음 입력의 일부로써 다시 사용할 수 있음

- 그렇게 하면, 우리 모델은 최근의 입력을 기반으로 예측 조정

- 우리 모델에서 상태를 기록해 두면 단지 그 이야기에서 가장 가능성있는 첫 글자를 예측하는 것이 아니라 이전의 모든 문자를 고려해서 가장 가능성있는 다음 글자를 예측할 수 있게 됨

글자 하나 예측하는게 무슨 소용이 있나요?

이야기 안에서 다음 글자를 예측하는 것은 꽤 쓸모없는 것처럼 보일 수 있음

멋진 예 중에 하나가 바로 스마트폰 키보드에 있는 자동완성 기능

다음 글자는 아마 't'?

이제 이 아이디어를 극단적으로 끌고 간다면? 모델에 다음으로 가장 가능성있는 글자를 계속해서 아니 영원히 예측해달라고 요청하면 어떻게 될까?

이야기 만들기

- 우리는 헤밍웨이의 다음 문장을 어떻게 추측할 수 있는지 알아보았음, 이제 헤밍웨이 스타일로 전체 이야기를 만들어 볼 것

이를 위해 우리는 Andrej Karpathy가 작성한 순환 신경망 구현(Recurrent Neural Network implementation)을 사용할 것

- Andrej는 Stanford의 Deep-Learning 연구원이며 RNN을 사용해 텍스트를 생성에 대해 훌륭한 글을 씀

- github에서 이 모델에 관한 모든 코드를 볼 수 있음

84개의 고유한 문자(구두점, 대문자/소문자 등 포함)를 사용해 총 362,239글자로 쓰여진 The Sun Also Rises의 전체 텍스트로부터 모델을 제작할 것

- 이 데이터 세트는 현실에서 사용되는 전형적인 애플리케이션에 비하면 아주 적은 양임

- 헤밍웨이의 스타일의 정말 좋은 모델을 제작하려면, 여러번에 걸쳐 많은 샘플 텍스트를 사용하는 편이 훨씬 나음

이제 막 RNN을 훈련시키기 시작했기 때문에, 바로 글자를 예측하는 것은 그리 좋지 않음

훈련을 100회 반복한 후 작성된 내용은 다음과 같음

hjCTCnhoofeoxelif edElobe negnk e iohehasenoldndAmdaI ayio pe e h’e btentmuhgehi bcgdltt. gey heho grpiahe.

Ddelnss.eelaishaner” cot AAfhB ht ltny

ehbih a”on bhnte ectrsnae abeahngy

amo k ns aeo?cdse nh a taei.rairrhelardr er deffijha

- 단어들 사이에 가끔씩 공백이 있다는 정도는 알아냄

훈련 1000회 반복

hing soor ither. And the caraos, and the crowebel for figttier and ale the room of me? Streat was not to him Bill-stook of the momansbed mig out ust on the bull, out here. I been soms

inick stalling that aid.

“Hon’t me and acrained on .Hw’s don’t you for the roed,” In’s pair.”

“Alough marith him.”

- 모델은 이제 기본 문장 구조의 패턴을 식별하기 시작, 문장의 끝 부분에 마침표를 찍고 심지어 묻고 답하는 대화도 추가

- 몇마디는 알아볼 수 있지만 완벽하지 않음

훈련 수천번 반복

He went over to the gate of the café. It was like a country bed.

“Do you know it’s been me.”

“Damned us,” Bill said.

“I was dangerous,” I said. “You were she did it and think I would a fine cape you,” I said.

“I can’t look strange in the cab.”

“You know I was this is though,” Brett said.

“It’s a fights no matter?”

“It makes to do it.”

“You make it?”

“Sit down,” I said. “I wish I wasn’t do a little with the man.”

“You found it.”

“I don’t know.”

“You see, I’m sorry of chatches,” Bill said. “You think it’s a friend off back and make you really drunk.”

- 이 시점에서 알고리즘은 헤밍웨이의 짧고 직접적인 대화 방식의 기본 패턴을 감지

- 몇가지 문장은 대충 말이 됨

실제 책에 있는 텍스트

There were a few people inside at the bar, and outside, alone, sat Harvey Stone. He had a pile of saucers in front of him, and he needed a shave.

“Sit down,” said Harvey, “I’ve been looking for you.”

“What’s the matter?”

“Nothing. Just looking for you.”

“Been out to the races?”

“No. Not since Sunday.”

“What do you hear from the States?”

“Nothing. Absolutely nothing.”

“What’s the matter?”

- 한번에 한 글자를 예측하는 패턴을 찾는 것만으로도, 우리의 알고리즘은 올바른 형식으로 그럴듯하게 보이는 산문 재현

- 텍스트를 처음부터 완전하게 만들 필요는 없음, 그냥 알고리즘에 처음 몇 글자를 제공하고 스스로 다음 몇 글자 찾도록 내버려 두면 됨

재미삼아 상상의 책을 위한 가짜 책표지를 만들어 봄, 이를 위해서 "Er", "He" 및 "The S"를 시드(seed)로 해서 새로운 저자와 책 제목 만듬

왼쪽은 진짜 책이고 오른쪽이 컴퓨터가 만들어 낸 책

정말로 놀라운 것은 이 알고리즘이 모든 일련의 데이터에서 패턴을 파악할 수 있다는 점

그렇다면 인간의 언어에만 제한을 둘 필요가 있을까?

→ X

- 우리는 패턴이 있는 모든 종류의 데이터에 이 아이디어 적용 가능

실제로 마리오 게임 레벨을 만들지 않고 마리오 게임 레벨 만들기

- 2015년 닌텐도는 Wii U 게임 시스템 용 Super Mario Maket을 출시

모든 아이들의 꿈

- 이 게임을 사용하면 게임패드에서 자신만의 슈퍼 마리오 브라더스 레벨을 그릴 수 있고 이를 인터넷에 업로드하면 친구들이 이 레벨 플레이하는 것이 가능!

- 자신만의 레벨에 실제 마리오 게임의 모든 기존 파워업과 적을 집어넣을 수 있음

- 이는 마치 슈퍼 마리오 브라더스를 플레이하면서 자란 사람을 위한 가상의 레고 세트와 같음

- 가짜로 헤밍웨이의 글을 만들어낸 동일한 모델을 사용해 가짜 슈퍼 마리오 브라더스 레벨을 만들어 낼 수 있을까?

- 우선, 우리의 모델을 훈련시킬 데이터셋이 필요, 1985년에 출시된 진짜 슈퍼 마리오 브라더스 게임의 모든 야외 레벨(outdoor levels)을 사용

가장 행복한 크리스마스, 엄마아빠 감사해요!

- 이 게임에는 32개의 레벨이 있으며 그중 70%가 동일한 야외 스타일, 우리는 여기에 집중

- 각 레벨의 디자인을 얻기 위해서, 게임 원본의 게임 메모리에서 레벨 디자인을 빼내는 프로그램 작성, 슈퍼 마리오 브라더스(Super mario Bors)는 30년이나 된 게임이라, 레벨이 게임의 메모리에 어떻게 저장되는지 알 수 있는 온라인 리소스가 많음, 오래된 비디오 게임에서 레벨 데이터를 추출하는 것은 언젠가 시도해 보아야하는 재미있는 프로그래밍 연습임

- 게임에서 추출한 첫 번째 레벨

- 자세히 살펴보면 레벨은 단순한 격자 객체들로 구성되어 있음을 알 수 있음

- 우리는 각 객체를 표현하는 문자를 사용해 이 격자를 일련의 문자열로 쉽게 나타낼 수 있음

-------------------------- -------------------------- -------------------------- #??#---------------------- -------------------------- -------------------------- -------------------------- -##------=--=----------==- --------==--==--------===- -------===--===------====- ------====--====----=====- =========================-

- 우리는 레벨에 있는 각 객체를 문자로 대체

'-' 빈 공간

'=' 딱딱한 블럭

'#' 깰 수 있는 벽돌

'?' 코인 블럭

등등, 레벨에 있는 여러 객체들에 각각 다른 문자를 사용했고, 결과적으로 다음과 같은 텍스트 파일이 만들어짐

이 텍스트 파일을 살펴보면, 마리오의 레벨은 줄(line) 단위로 보면 실제로 별다른 패턴이 없다는 것을 알 수 있음

- 줄 단위로 읽어보면 실제로 캡처할 패턴이 없음. 많은 줄들이 완전히 비어있음

레벨의 패턴은 레벨을 일련의 열(column)으로 생각할 때 드러남

- 열 단위로 보면 각 열은 '='로 끝나는 등의 패턴이 있음

따라서 알고리즘이 데이터에서 패턴을 찾을 수 있게 하기 위해서는 데이터를 열별로 제공(feed)해야 함

- 입력 데이터의 가장 효과적인 표현을 찾는 것(feature selection이라고 함)은 기계 학습 알고리즘을 잘 사용하기 위한 중요한 요소 중에 하나

모델을 훈련시키기 위해서, 텍스트 파일을 90도 회전

- 이를 통해 패턴이 보다 쉽게 드러나는 순서에 따라 모델에 문자열을 제공(feed)할 수 있었음

-----------= -------#---= -------#---= -------?---= -------#---= -----------= -----------= ----------@= ----------@= -----------= -----------= -----------= ---------PP= ---------PP= ----------== ---------=== --------==== -------===== ------====== -----======= ---========= ---=========

모델 훈련시키기

헤밍웨이의 산문을 위한 모델을 만들 때 확인했듯이, 훈련시킬수록 모델은 향상

약간의 훈련 후, 우리 모델은 아직 쓸모없는 것을 만들고 있음..

-------------------------- LL+<&=------P------------- -------- ---------------------T--#-- ----- -=--=-=------------=-&--T-------------- -------------------- --=------$-=#-=-_ --------------=----=<---- -------b -

- 현재는 '-'와 '='가 많이 나타나야 한다와 같은 생각을 가지고 있지만, 그뿐

- 아직 패턴을 전혀 알아내지 못함

수천 번의 반복 진행 후

-- -----------= ----------= --------PP= --------PP= -----------= -----------= -----------= -------?---= -----------= -----------=

- 이제 모델은 각 줄이 동일한 길이여야 한다는 것을 알아냄, Mario의 로직 일부를 이해하기 시작한 것

- (마리오에서 파이프는 항상 2 블럭 넓이이고 높이는 최소 2 블럭 이상이므로 데이터에 'P'들은 2x2 클러스터로 나타나야 함

더 많은 훈련을 하면, 모델은 결국 완벽하게 유효한 데이터를 생성

--------PP= --------PP= ----------= ----------= ----------= ---PPP=---= ---PPP=---= ----------=

모델에서 만들어진 전체 레벨의 가치 있는 데이터를 가져와 수평으로 회전하면?

우리 모델로 만든 전체 레벨

이 데이터의 대단한 점

진짜 마리오 레벨처럼 Lakitu(구름을 타고 떠다니는 괴물)를 레벨의 시작되는 하늘에 집어 넣음

파이프는 그냥 공중에 떠 있는 것이 아니라 반드시 딱딱한 블럭들 위에 있어야 한다는 것을 알고 있음

적절한 장소에 적 배치

플레이어가 앞으로 나아갈 수 없도록 막는 어떠한 것도 만들지 않음

게임에 들어 있는 실제 레벨에서 그 스타일을 따왔기 때문에, 슈퍼 마리오 브라더스 1의 실제 레벨같이 느껴짐

Super Mario Maket에서 재현

Super Mario Maket 속으로 들어온 우리의 레벨 데이터

장난감 vs. 실제 애플리케이션

우리가 모델을 훈련시키는데 사용한 순환 신경망(recurrent neural network 또는 RNN) 알고리즘은 실제 회사에서 음성 인식이나 번역과 같이 어려운 문제를 해결하는데 사용하는 알고리즘과 같은 종류

우리 모델이 최첨단이 아닌 '장난감'으로 보이는 이유는 단지 매우 적은 데이터로 생성되었기 때문

초기 슈퍼 마리오 브라더스 게임은 정말 좋은 모델을 만들기 위한 충분한 데이터를 제공할 만큼 많은 레벨이 없을 뿐

닌텐도가 보유하고 있는 수십만 개의 사용자 제작 Super Mario Maket 레벨에 접근할 수 있다면, 우리는 정말 놀라운 모델을 만들 수도 있음, 그러나 닌텐도가 이를 제공하지 않기 때문에 불가능..

더 많은 산업 분야에서 기계학습이 더욱 중요해짐에 따라, 좋은 프로그램과 나쁜 프로그램의 차이는 모델을 훈련시키는데 얼마나 많은 양의 데이터를 확보했느냐가 될 것. 그렇기 때문에 Google이나 Facebook과 같은 회사들이 그렇게도 우리의 데이터를 좋아하는 것

- ex) Google은 대규모 기계 학습 애플리케이션을 구축하기 위한 소프트웨어 툴킷인 TensorFlow를 오픈소스로 공개

- Google이 이처럼 중요하고 뛰어난 기술을 무료로 제공한 것은 꽤나 큰 사건, 이는 Google Translate를 강력하게 하기 위해 이를 공개했던 이유와 같음

- 즉 Google이 수집한 모든 언어에 대한 대규모 데이터가 없다면, 우리는 절대 Google Translate에 대한 경쟁 제품을 만들 수 없음, 데이터야말로 Google의 가장 큰 장점

from http://kwonjeong.tistory.com/8 by ccl(A) rewrite - 2021-09-07 17:26:22