The Clean RNN's

wandb와 pytorch-lightning으로 깔끔하게 구현해보는 RNN 패밀리 👨‍👩‍👧‍👦

Shortcuts

RNNCell / RNN / LSTMCell / LSTM / BiLSTMCell / BiLSTM

Who is this project for?

1️⃣ RNN 패밀리를 Pytorch로 밑바닥부터 구현해보고 싶다!

cleanrnns/rnns.py에 깔끔하게 구현해뒀어요 😊

2️⃣ 모델을 변경하면 정말로 성능이 오르는지 확인해보고 싶다!

모델만을 종속변인으로 두고 실험하는 것이 가능하도록 설계해뒀어요 📝

예를 들면?

Naver Sentiment Movie Corpus 긍/부정 이진분류 성능 비교

모델	f1 score (test)	가중치	소요시간	hidden_size	하이퍼파라미터	wandb 로그
RNN	0.8411	16.4M	18m 19s	512	통일	학습 / 테스트
LSTM	0.8522	16.4M	20m 18s	443	통일	학습 / 테스트
BiLSTM	0.8539	16.4M	36m 12s	387	통일	학습 / 테스트

동일한 입력에 대한 예측값도 웹 데모 에서 한눈에 비교가 가능해요

3️⃣ 데이터 구축부터 모델 배포까지 모든 과정을 구현해보고 싶다!

단계별로 스크립트를 작성해뒀어요 🪜

4️⃣ 지저분한 노트북 튜토리얼보단 구조가 잡힌 자연어처리 프로젝트를 찾고있다!

객체지향, 함수지향 프로그래밍을 적재적소에 활용하여 cleanrnns 패키지를 정리해뒀어요 🧹

Quick Start

데이터 구축부터 모델 평가까지 진행해볼 수 있는 Colab 노트북을 만들어뒀어요. 실행을 해보면서 궁금한 점이 있다면 이슈를 남겨주세요 😊

프로젝트 설치 및 환경설정

git clone https://github.com/eubinecto/the-clean-rnns.git  # 프로젝트 클론
cd the-clean-rnns  # 루트 디렉토리 설정
pip3 install -r requirements.txt  # 의존 라이브러리 설치 
wandb login  # Weights & Biases 계정 로그인 (회원가입 필요)

데이터 전처리 및 구축

python3 run_build_nsmc.py  # Naver Sentiment Movie Corpus

fetch_nsmc로 구축한 데이터를 간편하게 확인해볼 수 있습니다. Korpora에서 제공하는 nsmc는 기본적으로 validation셋이 없지만, 전처리를 통해 구축합니다. validation셋의 비율과, 랜덤 스플릿 시드는 config.yaml에서 설정가능합니다.

from cleanrnns.fetchers import fetch_nsmc
train, val, test = fetch_nsmc()
for row in train.data[:10]:
    print(row[0], row[1])

토크나이저 구축

python3 run_build_tokenizer.py # BPE

토크나이저도 fetch_tokenizer로 간편하게 확인해볼 수 있습니다. 본 프로젝트에서는 Byte Pair Encoding 알고리즘으로 구축하며, 어휘의 크기와 스페셜토큰은 config.yaml 에서 설정 가능합니다.

from cleanrnns.fetchers import fetch_tokenizer
tokenizer = fetch_tokenizer()
# 토크나이징
encoding = tokenizer.encode("이 영화 진짜 재미있다")
print(encoding.ids)
print([tokenizer.id_to_token(token_id) for token_id in encoding.ids])
# 스페셜 토큰
print(tokenizer.pad_token)  
print(tokenizer.token_to_id(tokenizer.pad_token))  
print(tokenizer.unk_token)  
print(tokenizer.token_to_id(tokenizer.unk_token))  
print(tokenizer.bos_token)  
print(tokenizer.token_to_id(tokenizer.bos_token)) 
print(tokenizer.eos_token)  
print(tokenizer.token_to_id(tokenizer.eos_token))  
#어휘의 크기
print(tokenizer.get_vocab_size())

데이터셋과 토크나이저를 구축한뒤에는, 텍스트 데이터를 학습에 사용하기 위해 torch.Tensor 객체로 변환해야합니다. 이를 위한 로직은 NSNC 클래스 (LightningDataModule)에 담겨 있으며, 모델학습을 진행할 때 내부적으로 사용됩니다. 물론 아래와 같이 텐서변환과정을 간단하게 확인해볼수는 있습니다.

import os
from cleanrnns.fetchers import fetch_config
from cleanrnns.datamodules import NSMC
config = fetch_config()['rnn_for_classification']
config['num_workers'] = os.cpu_count()
tokenizer = fetch_tokenizer()
datamodule = NSMC(config, tokenizer)
datamodule.prepare_data()  # wandb로부터 구축된 텍스트데이터 다운로드
datamodule.setup()  # 텐서로 변환
print("--- A batch from the training set ---")
for batch in datamodule.train_dataloader():
    x, y = batch
    print(x)  # (N, L)
    print(x.shape)
    print(y)  # (N,)
    print(y.shape)
    break

print("--- A batch from the validation set ---")
for batch in datamodule.val_dataloader():
    x, y = batch
    print(x)  # (N, L)
    print(x.shape)
    print(y)  # (N,)
    print(y.shape)
    break

모델 훈련

python3 run_train.py rnn_for_classification
python3 run_train.py lstm_for_classification
python3 run_train.py bilsm_for_classification

RNN, LSTM, BiLSTM을 구축한 데이터에 학습시킵니다. hidden_size, max_epochs, 등의 하이퍼파라미터는 config.yaml에서 설정가능합니다.

모델 평가

python3 run_test.py rnn_for_classification
python3 run_test.py lstm_for_classification
python3 run_test.py bilstm_for_classification

RNN, LSTM, BiLSTM의 성능을 구축한 테스트셋으로 측정합니다.

모델 배포 (로컬)

streamlit run run_deploy.py

웹에 배포를 원하신다면 Streamlit Cloud 사용을 추천!

To-do's

• [ ] ClassificationWithAttentionBase -> RNNForClassificationWithAttention, LSTMForClassificationWithAttention, BiLSTMForClassificationWithAttention
• [ ] seq2seq 지원
• [ ] ner 지원