Minimal character-level language model with a Vanilla Recurrent Neural Network, in Python/numpy

min-char-rnn.py

"""
Minimal character-level Vanilla RNN model. Written by Andrej Karpathy (@karpathy)
BSD License

Korean translation
최소 버전의 단어 레벨 바닐라 RNN 모델. Andrej Karpathy (@karpathy) 작성

- Korean comments
- Python3 compatibility update
"""
import numpy as np


def xrange(x):
  return iter(range(x))

# 데이터 입출력
# https://www.shakespeare.org.uk/explore-shakespeare/shakespedia/shakespeares-plays/midsummer-nights-dream/
# 한 여름밤의 꿈
data = open('input.txt', 'r').read()  # 읽어들일 파일은 plain text file이어야 한다
chars = list(set(data))
data_size, vocab_size = len(data), len(chars)
print('data has %d characters, %d unique.' % (data_size, vocab_size))
char_to_ix = {ch: i for i, ch in enumerate(chars)}
ix_to_char = {i: ch for i, ch in enumerate(chars)}

# 하이퍼 파라미터
hidden_size = 100  # 뉴런의 히든레이어 사이즈
seq_length = 25  # number of steps to unroll the RNN for
learning_rate = 1e-1

# 모델 파라미터
Wxh = np.random.randn(hidden_size, vocab_size) * 0.01  # input to hidden
Whh = np.random.randn(hidden_size, hidden_size) * 0.01  # hidden to hidden
Why = np.random.randn(vocab_size, hidden_size) * 0.01  # hidden to output
bh = np.zeros((hidden_size, 1))  # hidden bias
by = np.zeros((vocab_size, 1))  # output bias


def lossFun(inputs, targets, hprev):
  """
  inputs, targets 는 모두 정수의 배열입니다.
  hprev 는 최초의 히든 스테이트의 Hx1입니다.
  loss, gradients, 그리고 마지막 hidden state 를 리턴합니다.
  """
  xs, hs, ys, ps = {}, {}, {}, {}
  hs[-1] = np.copy(hprev)
  loss = 0

  # forward pass 순방향 연산
  for t in xrange(len(inputs)):
    xs[t] = np.zeros((vocab_size, 1))  # 1-of-k 형식으로 인코딩 (원핫인코딩) encode in 1-of-k representation
    xs[t][inputs[t]] = 1
    hs[t] = np.tanh(np.dot(Wxh, xs[t]) + np.dot(Whh, hs[t - 1]) + bh)  # 히든 스테이트
    ys[t] = np.dot(Why, hs[t]) + by  # 다음 문자를 위한 정규화되지 않은 로그 확률
    ps[t] = np.exp(ys[t]) / np.sum(np.exp(ys[t]))  # 다음 문자를 위한 확률
    loss += -np.log(ps[t][targets[t], 0])  # 소프트맥스 (cross-entropy loss)

  # backward pass, 역방향 연산: 뒤로 보낼 기울기들을 구하는 과정
  dWxh, dWhh, dWhy = np.zeros_like(Wxh), np.zeros_like(Whh), np.zeros_like(Why)
  dbh, dby = np.zeros_like(bh), np.zeros_like(by)
  dhnext = np.zeros_like(hs[0])
  for t1 in xrange(len(inputs)):
    t = len(inputs) - t1 - 1
    dy = np.copy(ps[t])
    dy[
      targets[t]] -= 1  # backprop into y. see http://cs231n.github.io/neural-networks-case-study/#grad if confused here
    dWhy += np.dot(dy, hs[t].T)
    dby += dy
    dh = np.dot(Why.T, dy) + dhnext  # backprop into h
    dhraw = (1 - hs[t] * hs[t]) * dh  # backprop through tanh nonlinearity
    dbh += dhraw
    dWxh += np.dot(dhraw, xs[t].T)
    dWhh += np.dot(dhraw, hs[t - 1].T)
    dhnext = np.dot(Whh.T, dhraw)

  for dparam in [dWxh, dWhh, dWhy, dbh, dby]:
    np.clip(dparam, -5, 5, out=dparam)  # 그라디언트 폭발을 방지하기 위해 clip을 적용합니다.

  return loss, dWxh, dWhh, dWhy, dbh, dby, hs[len(inputs) - 1]


def sample(h, seed_ix, n):
  """
  모델에서 정수의 배열을 샘플링합니다.
  h는 메모리 스테이트, seed_ix는 첫번째 스텝을 위한 seed letter입니다.
  """
  x = np.zeros((vocab_size, 1))
  x[seed_ix] = 1
  ixes = []
  for t in xrange(n):
    h = np.tanh(np.dot(Wxh, x) + np.dot(Whh, h) + bh)
    y = np.dot(Why, h) + by
    p = np.exp(y) / np.sum(np.exp(y))
    ix = np.random.choice(range(vocab_size), p=p.ravel())
    x = np.zeros((vocab_size, 1))
    x[ix] = 1
    ixes.append(ix)
  return ixes


n, p = 0, 0
mWxh, mWhh, mWhy = np.zeros_like(Wxh), np.zeros_like(Whh), np.zeros_like(Why)
mbh, mby = np.zeros_like(bh), np.zeros_like(by)  # memory variables for Adagrad
smooth_loss = -np.log(1.0 / vocab_size) * seq_length  # loss at iteration 0
while True:
  # 인풋을 준비합니다. (우리는 왼쪽부터 오른쪽까지 배열의 길이만큼 옮겨갈 것입니다.)
  if p + seq_length + 1 >= len(data) or n == 0:
    hprev = np.zeros((hidden_size, 1))  # reset RNN memory
    p = 0  # 데이터의 시작점으로부터 시작합니다.
  inputs = [char_to_ix[ch] for ch in data[p:p + seq_length]]
  targets = [char_to_ix[ch] for ch in data[p + 1:p + seq_length + 1]]

  # 모델로부터 샘플링합니다.
  if n % 100 == 0:
    sample_ix = sample(hprev, inputs[0], 200)
    txt = ''.join(ix_to_char[ix] for ix in sample_ix)
    print('----\n %s \n----' % (txt,))

  # 배열 길이 만큼의 문자들을 네트워크를 통해 포워드하고 그라디언트를 fetch합니다.
  loss, dWxh, dWhh, dWhy, dbh, dby, hprev = lossFun(inputs, targets, hprev)
  smooth_loss = smooth_loss * 0.999 + loss * 0.001
  if n % 100 == 0: print('iter %d, loss: %f' % (n, smooth_loss))  # progress 출력

  # Adagrad를 활용해 파라미터를 업데이트합니다.
  for param, dparam, mem in zip([Wxh, Whh, Why, bh, by],
                                [dWxh, dWhh, dWhy, dbh, dby],
                                [mWxh, mWhh, mWhy, mbh, mby]):
    mem += dparam * dparam
    param += -learning_rate * dparam / np.sqrt(mem + 1e-8)  # adagrad update

  p += seq_length  # 데이터 포인터를 이동시킵니다.
  n += 1  # 이터레이션을 카운팅합니다.