Chainerの使い方と自然言語処理への応用

Chainerの使い⽅方と
⾃自然⾔言語処理理への応⽤用
NLP若若⼿手の会 2015/09/03 @和倉温泉
得居誠也, Preferred Networks

⾃自⼰己紹介
l  得居誠也 (Seiya Tokui) @beam2d (Twitter, GitHub)
l  PFI (2012-‐‑‒2014) -‐‑‒> PFN (2014-‐‑‒)
l  専⾨門：機械学習
–  ⾃自然⾔言語処理理（品詞タグ付け）、近傍探索索のためのハッシング（修⼠士）
–  Deep Learning（2012年年秋ごろ〜～）、画像・映像認識識
l  4 ⽉月に Chainer を作り始めて今はこれがメイン
2

Chainer
サイト: http://chainer.org
ドキュメント: http://docs.chainer.org
GitHub: https://github.com/pfnet/chainer
l  Deep Learning のフレームワーク
l  Python ライブラリとして提供
l  最新版は v1.3.0 (2015/9/3現在)
3

今⽇日のおはなし
l  Chainer の使い⽅方を紹介します
–  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
–  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
–  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

ニューラルネットの基礎

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

ニューラルネット＝合成関数
l  ニューラルネットは、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
–  ベクトルをまとめると上図のように
–  まとめる理理由は⼆二つ
u  わかりやすい/扱いやすいから
u  ベクトル演算によって⾼高速化しやすいから
l  各ノードはベクトルを保持する変数
–  紫のノードは “中間変数”
7

⼀一般のニューラルネットは DAG = 計算グラフ
l  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

計算グラフの例例
l  このグラフは z = x ** 2 + 2 * x * y + y という式を表す
9
x
y
_ ** 2
2 * _ _ * _ _ + _ z
_ + _

誤差逆伝播（後退型⾃自動微分）
l  合成関数の微分を計算するには連鎖律律 (chain rule) をつかう
l  たとえばを微分すると
–  ヤコビ⾏行行列列の掛け算になっている
l  ニューラルネットの最適化では、⽬目的関数はスカラーで、微分したいパラメー
タや中間変数は⾼高次元のベクトル
l  上の式でいえばがスカラーで、はベクトル
l  この場合（上の式で）左からかけていったほうが効率率率が良良い
–  つまり（出⼒力力）から（⼊入⼒力力）に向けてヤコビ⾏行行列列を順にかけていく
–  もとの関数と逆順なので誤差逆伝播法という
10
z
z = h(y), y = g(x), x = f(w)
z
w
=
z
y
y
x
x
w
= Dh(y)Dg(x)Df (w)
w, x, y
z w

誤差逆伝播は、計算グラフを逆向きにたどる
l  計算グラフと順伝播時の各変数の値があれば計算可能
11

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
12
T
T-1
T

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）
13
t=1
t=2
t=3
t=4

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）
14
t=1
t=2
t=3
t=4
Truncated

Chainer はニューラルネットのフレームワーク
l  ニューラルネットをつかうためには最低限以下の機能が必要
–  ニューラルネットを記述する
–  ニューラルネットの順伝播・逆伝播を実⾏行行する
–  勾配法を実⾏行行してパラメータを最適化する
l  Chainer はこれらを Python 上で実装したもの
l  Chainer の特徴
–  順伝播は単純に Python のスクリプトとして書ける
–  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
16

Chainer のインストール
l  環境は Linux（特に Ubuntu）がおすすめです
l  インストール⽅方法
–  新しめの Python 環境を⽤用意（CPython 2.7+ または 3.4+）
–  pip も⽤用意
–  コマンドを実⾏行行： pip install chainer
–  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 がおすすめです
l  Python のバージョン管理理は pyenv がおすすめです（慣れてるものがある⽅方は
そちらで OK です）
–  pyenv からコマンド⼀一つで Anaconda もインストールできます
17

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 オブジェクトを特殊な「関数」に⼊入れると、順伝播を実⾏行行しながら計
算グラフが構築される
–  「関数」は Function オブジェクト
–  簡単な四則演算などは Variable オブジェクト⾃自体に定義されている
–  ほかの Function は chainer.functions（F と略略記）にたくさん⽤用意さ
れている
x = Varaible(...)
y = Variable(...)
z = x ** 2 + 2 * x * y + y
18
x
y
_**2
2*_ _*_ _+_ z
_+_

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
–  初期化時に配列列を渡す
–  data 属性に保存される
x = Variable(np.zeros((10, 20), dtype=np.float32))
x.data #=> セットした配列列が取り出せる
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
–  例例えば上の 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（NumPy/
CuPy はデフォルトの⼩小数型が ﬂoat64）
19

Function オブジェクト
l  計算グラフの「演算」ノード
l  chainer.functions (=: F) にいろいろ定義されている
l  パラメータつきの Function
–  F.Linear, F.Convolution2D, F.EmbedID, ...
–  あらかじめ定義しておいて、順伝播の計算時につかう
l  パラメータなしの関数
–  F.relu, F.max_pooling_2d, F.lstm, ...
–  Variable オブジェクトを返すただの Python 関数が提供されているので、
順伝播のときに直接つかう
20

FunctionSet でパラメータつき関数をまとめる
l  パラメータ付きの Function オブジェクトは複数のイテレーションで使いまわす
ので、あらかじめ作っておく
l  FunctionSet を使うと、これらをまとめて管理理できる
model = FunctionSet(embed=F.EmbedID(10000, 100),
layer1=F.Linear(100, 100),
layer2=F.Linear(100, 10000))
def forward(x):
h = F.relu(model.layer1(model.embed(x)))
return model.layer2(h)
21

ロス関数、勾配計算
l  様々なロス関数が定義されている
–  F.softmax_cross_entropy, F.mean_squared_error
–  パラメータ付きのロス関数もある： F.NegativeSampling,
F.BinaryHierarchicalSoftmax
l  ロス関数を計算したら、Variable.backward() でそのロス値の勾配を求める
def forward(x, t):
h = F.relu(model.layer1(model.embed(x)))
return F.softmax_cross_entropy(model.layer2(h), t)
loss = forward(x)
loss.backward()
22

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みな Optimizer クラスの⼦子クラス
–  chainer.optimizers に定義されている
–  実装されている最適化⼿手法：SGD, MomentumSGD, AdaGrad, RMSprop,
RMSpropGraves, AdaDelta, Adam
l  パラメータと勾配の配列列をあらかじめ setup メソッドに渡しておく必要がある
l  FunctionSet をつかう場合、簡単にわたせる
optimizer = optimizers.SGD()
optimizer.setup(model)
23

Optimizer による最適化
l  Optimizer を使う⼿手順
–  まず勾配をゼロ初期化：zero_̲grads()
–  順伝播・逆伝播を実⾏行行
–  必要なら正則化メソッドを実⾏行行：weight_̲decay(), clip_̲grads()
–  最適化ルーチンを実⾏行行：update()
optimizer.zero_grads()
loss = forward(x, t)
loss.backward()
optimizer.weight_decay(0.005)
optimizer.update()
24

Chainer を使う場合の全体の流流れ
1.  FunctionSet にパラメータ付き関数を定義する
2.  Optimizer を定義して、FunctionSet 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.  forward 関数を呼び、得られたロス値の backward メソッドを呼ぶ
c.  正則化処理理をして、update
6.  適当な頻度度で評価ループを回す
a.  forward 関数を呼んで結果を記録
25

例例：MNIST
# Model definition
model = FunctionSet(
l1=F.Linear(784, 100),
l2=F.Linear(100, 100),
l3=F.Linear(100, 10))
opt = optimizers.SGD()
opt.setup(model)
# Forward computation
def forward(x, t):
h1 = F.relu(model.l1(x))
h2 = F.relu(model.l2(h1))
y = model.l3(h2)
return F.softmax_cross_entropy(
y, t)
# Training loop
for epoch in xrange(n_epoch):
for i in xrange(0, N, batchsize):
x = Variable(...)
t = Variable(...)
opt.zero_grads()
loss = forward(x, t)
loss.backward()
opt.update()

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  これらは配列列のタプルを受け取って、配列列のタプルを返す
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
27

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
–  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
–  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
28

CUDA サポート
l  Chainer v1.3.0 が昨⽇日リリース
l  CuPy: 新しい CUDA 配列列実装
–  NumPy と同じようなインターフェイスで使える
u  関数・メソッドのサブセットを実装
u  配列列のスライス、転置、reshape 等も⾃自由にできます
–  カスタムカーネルも記述できる（elementwise, reduction）
29

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
–  Ubuntu なら公式に deb パッケージが配布されているのでそれをつかうの
がお⼿手軽です
l  パスを通す
–  PATH と LD_̲LIBRARY_̲PATH を通す必要があります
–  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
u  PATH=/usr/local/cuda/bin:$PATH
u  LD_̲LIBRARY_̲PATH=/usr/local/cuda/lib64:$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
30

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
–  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
–  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))
31

⾃自然⾔言語処理理への応⽤用
32

単語埋め込み
l  単語を ID で表したものを対応する密ベクトルに変換する
–  この密ベクトルも学習の対象
l  F.EmbedID がこれを実装している
–  パラメータ付きの Function
–  つくるときに ID の範囲と密ベクトルの次元を指定する
–  int32 配列列が⼊入った Variable を受け取って、ﬂoat32 配列列が⼊入った
Variable を返す
l  例例えば 1 万語彙を 200 次元に埋め込みたい場合は以下のようにする
embedder = F.Embed(10000, 200)
word_arr = np.ndarray((10,), dtype=np.int32)
word = Variable(word_arr)
x = embedder(word) #=> サイズ 10 x 200 の配列列が⼊入った変数
33

Recurrent Net
l  時刻を 1 ステップ分だけ実⾏行行する関数を書いて、それを for ⽂文の中から呼び出
す
l  リカレントな部分は、状態を保持する変数を持っておいてループの中でつかう
l  内部的には展開された DAG が作られる
def forward_one_step(x, h, t):
h = F.tanh(model.input(x) + model.lateral(h))
y = model.output(h)
return F.softmax_cross_entropy(y, t), h
h = Variable(np.zeros((1, 200), dtype=np.float32))
accum_loss = 0
for x, t in input_seq:
loss, h = forward_one_step(x, h, t)
accum_loss += loss
34

例例：RNN ⾔言語モデル
# Model definition
emb=F.EmbedID(1000, 50),
h2h=F.Linear( 50, 50),
h2y=F.Linear( 50, 1000))
opt.setup(model)
# Forward computation of one step
def fwd1step(h, w, t):
x = model.emb(w)
h = F.tanh(x + model.h2h(h))
y = model.h2y(h)
y, t), h
# Full RNN forward computation
def forward(seq):
h = Variable(...) # init state
accum_loss = 0
for curw, nextw in
zip(seq, seq[1:]):
x = Variable(curw)
t = Variable(nextw)
loss, h = fwd1step(h, x, t)
accum_loss += loss
return accum_loss

Long Short-‐‑‒Term Memory
l  ⻑⾧長期の依存関係をとらえるのに LSTM はシグモイド関数よりもよい挙動を⽰示す
l  F.lstm に実装されている
l  これは 2 引数 2 出⼒力力の関数
–  「セル」と「⼊入⼒力力」を受け取り、「新しいセル」と「次の状態」を出⼒力力
–  ⼊入⼒力力は、各ユニットごとに 4 種類の値からなる：⼊入⼒力力、⼊入⼒力力ゲート、忘却
ゲート、出⼒力力ゲート
–  この 4 つの値を 2 番⽬目の次元につめた⾏行行列列を受け取る
u  単純に、LSTM ユニット数の 4 倍のサイズの⼊入⼒力力ベクトルをとると思え
ばOK
36

例例：LSTM RNN ⾔言語モデル
# Model definition
emb=F.EmbedID(1000, 50*4),
h2h=F.Linear( 50, 50*4),
h2y=F.Linear( 50, 1000))
opt.setup(model)
# Forward computation of one step
def fwd1step(c, h, w, t):
x = model.emb(w)
c, h = F.lstm(
c, x + model.h2h(h))
y = model.h2y(h)
y, t), c, h
# Full RNN forward computation
def forward(seq):
c = Variable(...) # init cell
h = Variable(...) # init state
accum_loss = 0
for curw, nextw in
zip(seq, seq[1:]):
x = Variable(curw)
t = Variable(nextw)
loss, c, h = fwd1step(
c, h, x, t)
accum_loss += loss
return accum_loss

unchain_̲backward による Truncated BPTT
l  Truncated BPTT は unchain_backward() を使うことで実装できる
–  Variable から逆向きに計算グラフをたどったときに通る辺をすべて計算グ
ラフから取り除く
–  Python 変数に保持している Variable オブジェクトはそのまま残る
accum_loss = 0
for i, x in enumerate(batches):
loss, h = forward_on_step(*x) # forward
accum_loss += loss
if i % 30 == 0:
optimizer.zero_grads()
accum_loss.backward() # backward
accum_loss.unchain_backward() # truncate graph
optimizer.update()
accum_loss = 0
38

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
–  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
39

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！！！
40

Chainerの使い方と自然言語処理への応用

More Related Content

Chainerの使い方と自然言語処理への応用