🧠 트랜스포머(Transformer) 기초와 원리

트랜스포머는 인공지능 분야에서 혁명적인 성과를 이룬 딥러닝 아키텍처입니다. 2017년 구글 연구진이 발표한 "Attention Is All You Need" 논문을 통해 소개되었으며, 이후 GPT, BERT 등 대규모 언어모델의 기반이 되었습니다.

▶️ 트랜스포머 아키텍처 (Encoder-Decoder 구조)

▶️ 트랜스포머 아키텍처

🌟 트랜스포머의 탄생 배경

트랜스포머 이전에는 시퀀스 모델링을 위해 RNN(Recurrent Neural Network)과 LSTM(Long Short-Term Memory)이 주로 사용되었습니다. 그러나 이들 아키텍처는 순차적 처리 방식으로 인해 병렬 처리가 불가능하고, 긴 시퀀스 학습 시 Gradient Vanishing 문제가 있었습니다.

트랜스포머는 Self-Attention Mechanism을 도입하여 모든 토큰 간의 관계를 병렬로 계산할 수 있게 했고, 이로 인해 훨씬 빠른 학습 속도와 더 높은 정확도를 달성할 수 있었습니다.

⚙️ 주요 구성 요소

Encoder

입력 시퀀스를 인코딩하여 컨텍스트 벡터 생성

Decoder

Encoder의 출력을 받아 목표 시퀀스 생성

Self-Attention

각 토큰이 다른 토큰과 어떤 관계를 갖는지 계산

Multi-Head

여러 개의 Attention을 병렬로 실행하여 다양한 관점 학습

🚀 Self-Attention Mechanism

Self-Attention은 트랜스포머의 가장 핵심적인 기술입니다. 이 메커니즘을 통해 각 단어가 문장 내 다른 단어들과 어떤 관계를 맺는지(연관성)을 파악할 수 있습니다.

Python

import torch
import torch.nn as nn

class SelfAttention(nn.Module):
    def __init__(self, embed_size, heads):
        super(SelfAttention, self).__init__()
        self.embed_size = embed_size
        self.heads = heads
        self.head_dim = embed_size // heads
        
        assert self.head_dim * heads == embed_size, "Embed size must be divisible by heads"
        
        self.values = nn.Linear(self.head_dim, self.head_dim, bias=False)
        self.keys = nn.Linear(self.head_dim, self.head_dim, bias=False)
        self.queries = nn.Linear(self.head_dim, self.head_dim, bias=False)
        self.fc_out = nn.Linear(heads * self.head_dim, embed_size)
    
    def forward(self, values, keys, queries, mask):
        N = queries.shape[0]
        value_len, key_len, query_len = values.shape[1], keys.shape[1], queries.shape[1]
        
        # Split embedding into self.heads pieces
        values = values.reshape(N, value_len, self.heads, self.head_dim)
        keys = keys.reshape(N, key_len, self.heads, self.head_dim)
        queries = queries.reshape(N, query_len, self.heads, self.head_dim)
        
        # Compute attention scores
        energy = torch.einsum("nqhd,nkhd->nhqk", [queries, keys])
        attention = torch.softmax(energy / (self.embed_size ** 0.5), dim=3)
        
        # Apply attention to values
        out = torch.einsum("nhql,nlhd->nqhd", [attention, values]).reshape(N, query_len, self.heads * self.head_dim)
        out = self.fc_out(out)
        return out

위 코드는 PyTorch로 구현한 Self-Attention 레이어입니다. Query, Key, Value 세 벡터를 사용해 attention 점수를 계산하고, 이를 통해 각 토큰의 중요도를 결정합니다.

📚 트랜스포머의 응용

트랜스포머 아키텍처는 이제 다양한 분야에서 활용되고 있습니다:

NLP: GPT, BERT, T5 등 언어모델
Computer Vision: Vision Transformer (ViT)
Audio: WaveNet, Wav2Vec
Reinforcement Learning: AlphaFold, AlphaZero
Multi-modal: CLIP, DALL-E

— 아리아 옮김 —
🌟 참고: "Attention Is All You Need" (2017, Google Research)

막노동과 인공지능