[AI] Deep Learning 딥러닝 기본 이해_BERT(Bidirectional Encoder Representation Transformer)

 

 

 

 

 

 

Deep Learning 딥러닝 기본 이해

 

 

Layer Level	Model Level
Manifold Learning(매니폴드 학습)	Representation Learning(표현 학습)
Transfer Learning(전이 학습)	Meta Learning(메타 학습)
Semi Supervised Learning(반지도 학습)	Self Supervised Learning(자기 지도 학습)
Transformer(트랜스포머)	Attention Mechanism(어텐션 메커니즘)

 

 

---

 

 

BERT(Bidirectional Encoder Representation Transformer)

 

 

Transformer architecture을 중점적으로 사용한 BERT는 Language Representation을 해결하기 위해 고안되었으며, 양방향성을 포함하여 문맥을 더욱 자연스럽게 파악할 수 있도록 구조화되었습니다.

 

 

활용할 수 있는 Task

질문 및 답변, 기계번역, 문장 주제 찾기 또는 분류하기를 BERT를 통해 할 수 있습니다.

 

 

 

 

 

학습 과정

 

 

BERT는 디코더를 사용하지 않고, 두 가지 대표적인 학습 방법으로 인코더를 학습시킨 후에 특정 Task의 미세조정(fine-tuning)을 활용하여 결과물을 얻는 방법으로 사용합니다.

 

GPT와 비교하자면 GPT는 디코더만 사용하여 Text Generation 문제를 해결하였습니다.

 

GPT 구조

 

 

 

Input Representation

 

 

기존 transformer의 input 구조를 사용하면서 추가로 변형하여 사용했습니다. BERT는 세 가지 임베딩(Token, Segment, Position)을 사용해서 문장을 표현합니다.

 

 

 

Pre-training

Masked Language Model

문장에서 단어 중의 일부를 [Mask] 토큰으로 바꾼 뒤, 가려진 단어를 예측하도록 학습하는 것을 말합니다.

 

예를 들면 아래와 같습니다.

나는 별이 아름답다고  생각한다 -> 나는 별이 [Mask] 생각한다.

나는 별이 아름답다고 생각한다 -> 나는 별이 흐리다고 생각한다.

나는 별이 아름답다고 생각한다 -> 나는 별이 아름답다고 생각한다.

 

 

Next Sentence Model

두 문장 사이의 관계를 학습하기 위해 연결된 문자이 올바르게 연결되었는지를 예측하도록 학습하는 것을 말합니다.

문장 A와 B를 이어 붙이는데, B는 50% 확률로 관련 있는 문장(Is Next label) 또는 관련 없는 문장(Not Next label)을 사용하는 것과 같습니다.