허깅페이스 트렌스포머 활용강좌, BERT 도큐먼트 벡터 처리 모듈 설치

딥러닝과 자연어 처리(NLP)의 발전에 발맞추어, 허깅페이스(Hugging Face)의 트랜스포머(transformers) 라이브러리는 많은 데이터 과학자들과 개발자들에게 필수적인 도구가 되었습니다. 특히, BERT(Bidirectional Encoder Representations from Transformers) 모델은 문맥을 이해하는 데 강력한 성능을 발휘하여 자연어 처리 작업에서 널리 사용되고 있습니다. 이 글에서는 허깅페이스 트랜스포머 라이브러리를 설치하여 BERT 모델을 활용한 도큐먼트 벡터 처리 방법에 대해 자세히 알아보겠습니다.

1. 허깅페이스 트랜스포머란?

허깅페이스 트랜스포머 라이브러리는 최신 자연어 처리(SQ) 모델을 쉽게 사용할 수 있도록 해주는 파이썬 패키지입니다. 이 라이브러리는 대규모 사전 훈련된 모델을 제공하여 개발자들이 복잡한 모델을 손쉽게 구현하고 활용할 수 있도록 지원합니다. 특히 BERT, GPT-2, RoBERTa 등의 인기 모델을 포함하고 있습니다.

2. BERT 모델의 이해

BERT(Bidirectional Encoder Representations from Transformers)는 문맥을 양방향에서 이해하기 위해 설계된 모델입니다. 기존의 RNN 계열 모델들은 단향성으로 정보의 흐름을 이해하기 때문에 문맥을 완벽히 처리하기 어려웠으나, BERT는 양방향의 정보를 모두 활용할 수 있게 되었습니다. 이를 통해 높은 수준의 문장 이해 및 문서 분류 작업에서 성능을 극대화 할 수 있습니다.

3. 개발 환경 준비하기

시작하기 전에 필요한 개발 환경을 준비해야 합니다. 아래의 단계를 따라 필요한 패키지를 설치하고 환경을 설정할 수 있습니다.

3.1. Python 설치

먼저 Python이 설치되어 있어야 합니다. [Python 공식 웹사이트](https://www.python.org/downloads/)에서 Python을 다운로드하고 설치합니다. Python 3.6 이상이 필요합니다.

3.2. 가상 환경 설정

가상 환경을 생성하는 것은 프로젝트의 종속성을 관리하는 데 유리합니다. 아래 명령어를 통해 새로운 가상 환경을 생성하고 활성화할 수 있습니다. 

python -m venv bert-env
source bert-env/bin/activate  # Linux / macOS
.\bert-env\Scripts\activate  # Windows

3.3. 패키지 설치

이제 BERT 모델을 사용하기 위한 패키지를 설치합니다. 허깅페이스의 트랜스포머 라이브러리와 추가적으로 필요한 패키지를 설치합니다. 

pip install transformers torch

4. BERT 모델 사용하기

설치가 완료되면 BERT 모델을 사용하여 문서 벡터를 처리할 수 있습니다. 아래의 예제 코드를 통해 간단한 문서 벡터처리 과정을 살펴보겠습니다.

4.1. 코드 예제

import torch
from transformers import BertTokenizer, BertModel

# BERT 모델과 토크나이저 초기화
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')

# 예시 문서
document = "허깅페이스 라이브러리는 자연어 처리를 위한 매우 중요한 도구입니다."

# 문서 토크나이즈 및 텐서 변환
inputs = tokenizer(document, return_tensors='pt')

# BERT 모델에 입력하고 출력 값을 얻음
with torch.no_grad():
    outputs = model(**inputs)

# 마지막 은닉 상태 얻기
last_hidden_states = outputs.last_hidden_state
print(last_hidden_states.shape)  # (1, 문장 길이, 768)

4.2. 코드 설명

위 코드는 허깅페이스의 BERT 모델을 사용하여 단일 문서를 처리하는 과정을 보여줍니다.

  • from transformers import BertTokenizer, BertModel : 허깅페이스에서 BERT 모델과 관련된 클래스들을 불러옵니다.
  • BertTokenizer.from_pretrained('bert-base-uncased') : 사전훈련된 BERT의 토크나이저를 불러옵니다. ‘bert-base-uncased’는 대소문자를 구분하지 않는 모델입니다.
  • model = BertModel.from_pretrained('bert-base-uncased') : BERT 모델을 초기화합니다.
  • tokenizer(document, return_tensors='pt') : 입력 문서를 토크나이즈하고 PyTorch 텐서 형식으로 변환합니다.
  • model(**inputs) : 모델에 입력을 주고 출력값을 받습니다. 출력의 마지막 은닉 상태를 통해 문서의 의미적 정보를 얻을 수 있습니다.

5. 실제 문서 벡터 처리 예제

다수의 문서를 처리하여 각 문서의 벡터를 얻는 방법도 살펴보겠습니다. 아래의 코드는 여러 문서를 벡터화하는 과정을 보여줍니다. 

documents = [
    "허깅페이스는 NLP를 위한 강력한 라이브러리입니다.",
    "딥러닝은 많은 산업에서 중요한 역할을 하고 있습니다.",
    "AI의 발전은 기술의 진화를 이끌고 있습니다."
]

# 각 문서를 반복하여 벡터화
doc_vectors = []
for doc in documents:
    inputs = tokenizer(doc, return_tensors='pt')
    with torch.no_grad():
        outputs = model(**inputs)
    doc_vectors.append(outputs.last_hidden_state.mean(dim=1).squeeze().numpy())

print(f"문서 벡터들: {doc_vectors}")  # 리스트 형태로 각 문서의 벡터 출력

5.1. 코드 설명

위 코드에서는 여러 개의 문서를 입력받아 각 문서의 벡터를 계산합니다.

  • 문서를 하나씩 반복하여 각 문서에 대해 토크나이즈 및 벡터를 계산합니다.
  • outputs.last_hidden_state.mean(dim=1) : 각 문서의 모든 토큰에 대한 은닉 상태를 평균하여 문서의 대표 벡터를 생성합니다.
  • 문서 벡터들은 리스트 형태로 저장되며, 최종적으로 doc_vectors에 저장됩니다.

6. 고급 활용: 문서 유사도 측정

벡터화를 통해 각 문서의 의미를 수치화할 수 있으며, 이를 바탕으로 문서 간의 유사도를 측정할 수 있습니다. 유사도 측정 방법 중 하나로는 코사인 유사도를 사용할 수 있습니다. 

from sklearn.metrics.pairwise import cosine_similarity

# 문서 벡터 간의 코사인 유사도 계산
similarity_matrix = cosine_similarity(doc_vectors)
print(f"문서 유사도 행렬: \n{similarity_matrix}")

6.1. 코드 설명

코사인 유사도를 통해 각 문서 간의 유사도를 계산하여 유사도 행렬을 생성합니다.

  • from sklearn.metrics.pairwise import cosine_similarity : 코사인 유사도 계산을 위한 함수 불러오기
  • cosine_similarity(doc_vectors) : 벡터 리스트를 바탕으로 유사도 행렬을 계산합니다.

7. 마치며

이번 강좌에서는 허깅페이스 트랜스포머 라이브러리를 설치하고 BERT 모델을 활용하여 문서 벡터 처리 방법을 살펴보았습니다. BERT와 같은 고급 자연어 처리 모델은 다양한 NLP 작업에서 뛰어난 성능을 발휘하므로 이를 활용하여 다양한 데이터 분석 작업에 적용할 수 있습니다. 앞으로도 더 많은 예제와 심화 내용을 다룰 예정이니 많은 관심 부탁드립니다.

딥러닝과 자연어 처리의 세계에 발 빠르게 적응하여 실력을 쌓는 여러분이 되길 바랍니다!