서키의 블로그

[Unity][해결] 패키지 매니저 Error searching for packages 오류

seokhee123 — Wed, 19 Jun 2024 10:08:10 +0900

패키지 매니저 Error searching for packages. 오류

오류 메세지

Error searching for packages. An error occurred, likely on the server. Please try again later.

Unable to perform online search:
Request [GET https://packages.unity.com/-/api/search?host=editor&provider=enterprise] failed with status code [502]
UnityEditor.EditorApplication:Internal_CallUpdateFunctions ()

해결방법

프로젝트를 모두 저장 후 종료하고 Unity Hub를 로그아웃 후 다시 로그인 한다.

이후 다시 프로젝트를 실행해서 패키지 매니저를 사용하면 정상 동작한다.

만약 이 방법으로도 해결되지 않는다면

Help > Reset Packages to Defaults 를 눌러 패키지 초기화한다.

단, 패키지 초기화이기 때문에 다운로드한 패키지가 많다면 미리 백업해야함.

금방 초기화가 진행되는데 완료하면 패키지 매니저가 정상동작한다.

[Unity] Unity에서 Open AI API 사용하기

seokhee123 — Sun, 9 Jun 2024 23:21:50 +0900

Unity에서 Open AI API 사용하기

목표

1. ChatGPT와 같이 대화하기

2. gpt-4o, gpt-4-turbo 모델을 사용하기

다음의 깃허브 링크를 참고해서 만들었습니다.

깃허브 : https://github.com/RageAgainstThePixel/com.openai.unity?tab=readme-ov-file#list-assistants

GitHub - RageAgainstThePixel/com.openai.unity: A Non-Official OpenAI Rest Client for Unity (UPM)

A Non-Official OpenAI Rest Client for Unity (UPM). Contribute to RageAgainstThePixel/com.openai.unity development by creating an account on GitHub.

github.com

1. 시작

시작을 위해 깃허브 링크의 프로젝트를 다운 받아야하는데 2가지 방법이 있습니다.

1.1 과 1.2 둘중에 편하신 방법대로 하시면 됩니다.

1.1 Git url 사용

위의 링크에서 git url을 복사합니다.

https://github.com/RageAgainstThePixel/com.openai.unity.git#upm

복사된 링크를 Unity에서 Window > Package Manager 에서

우측 상단의 + 모양 > Add package from git URL 누르고 링크를 붙여넣기 합니다.

링크를 붙여넣고 add를 누르면 다음 화면과 같이 Open AI 패키지가 다운로드 됩니다.

1.2 OpenUPM을 사용하는 방법

Unity에서 Edit > Project Setting > PackageManager

사진과 같이 입력합니다.

Name : OpenUPM

URL : https://package.openupm.com

Scope(s) : com.openai / com.utilities

입력 후 Apply 누르면 완료

2. Open AI API Key 연결하기

사용을 위해서는 Open AI 키를 발급받아야 합니다.

키 발급은 추후 글로 작성해보도록 하겠습니다.

Open AI API 키 발급 검색하시고 나온 방법대로 하시면 됩니다.

발급받은 키를 복사하여 메모장에 저장해둡니다.

(키를 잃어버리면 다시 발급이 안되고 해당 키를 취소한 뒤에 새로 발급 받아야합니다!)

발급 받은 키를 2가지 방식으로 쓸 수 있습니다.

2.1 프로젝트 내에서 저장하기

해당 방법은 공유된 프로젝트나 깃허브 연동 등으로 외부에서 열람이 가능하다면 키 도난 가능성이 있습니다.

혼자 테스트 하시는게 아니시면 2.2 방법을 이용해주세요.

Unity에서 Assets > Resources 폴더 안에 OpenAIfiguration 이라는 파일이 있습니다.

해당 파일에 Api Key 부분에 발급 받은 키를 입력해주세요.

2.2 환경변수로 저장하기

PC의 시스템 속성 > 고급 > 환경 변수

하단에 시스템 변수 > 새로 만들기 에 다음과 같이 추가해주시면 됩니다

변수 값에는 발급 받은 키를 붙여넣기

프로젝트의 Sample 폴더 내에 있는 ChatBehaviour.cs 파일에

private OpenAIClient openAI;

변수 추가하고

private void Awake()
        {
        	// 입력
            openAI = new OpenAIClient(System.Environment.GetEnvironmentVariable("OPENAI_API_KEY"))
            {
                EnableDebug = enableDebug
            };
        
            texture = textureFromSprite(sprite);
            OnValidate();
            assistantTools.Add(Tool.GetOrCreateTool(openAI.ImagesEndPoint, nameof(ImagesEndpoint.GenerateImageAsync)));
            conversation.AppendMessage(new Message(Role.System, systemPrompt));
            inputField.onSubmit.AddListener(SubmitChat);
            submitButton.onClick.AddListener(SubmitChat);
            recordButton.onClick.AddListener(ToggleRecording);
        }

Awake 문에 다음과 같이 입력하면 됩니다.

3. 실행해보기

ChatBehaviour.cs 에 SubmitChat()을 확인해서

var request = new ChatRequest(conversation.Messages, tools: assistantTools);

해당 부분을

var request = new ChatRequest(conversation.Messages, model: Model.GPT4_Turbo ,tools: assistantTools);

다음과 같이 변경해줍니다.

GPT4_Turbo 말고도 많은 모델을 쓸 수 있습니다.

그 후

프로젝트의 Sample 폴더 내에 있는 OpenAIChatSample 씬을 실행해보면

다음과 같이 유니티에서 ChatGPT 처럼 대화를 주고 받을 수 있습니다.

또한, 음성도 같이 출력됩니다.

현재 세팅은 한글 폰트가 깨져서 출력되기 때문에 영어로 테스트 해야합니다.

4. 한글 폰트

원하는 한글 폰트를 다운로드 받습니다.

https://hangeul.naver.com/font

네이버 글꼴 모음

네이버가 만든 150여종의 글꼴을 한번에 만나보세요

hangeul.naver.com

저는 네이버 나눔 폰트를 사용했습니다.

다운 받은 파일의 .ttf 폰트 파일을 Unity로 복사하고

Unity의 Window > TextMeshPro > Font Asset Creator 를 엽니다.

Source Font File에 다운 받은 글꼴을 넣어주고

Generate Font Atlas를 눌러 생성 후 Save를 통해 저장해줍니다.

이제 ChatBehaviour.cs 부분에

        [SerializeField]
        private TMP_FontAsset fonts;

폰트 변수를 추가해줍니다.

그 후 AddNewTextMessageContent 부분에 textMesh.font = fonts; 를 추가해줍니다.

private TextMeshProUGUI AddNewTextMessageContent(Role role)
        {
            var textObject = new GameObject($"{contentArea.childCount + 1}_{role}");
            textObject.transform.SetParent(contentArea, false);
            var textMesh = textObject.AddComponent<TextMeshProUGUI>();
            textMesh.fontSize = 24;
            
            //입력
            textMesh.font = fonts;

#if UNITY_2023_1_OR_NEWER
            textMesh.textWrappingMode = TextWrappingModes.Normal;
#else
            textMesh.enableWordWrapping = true;
#endif
            return textMesh;
        }

그 후 UI의 InputField 등 한글 입력 부분에 폰트를 추가해주면

한글이 깨지지 않고 대화를 나눌 수 있습니다

[NLP] 워드 투 벡터 (Word2Vec)

seokhee123 — Thu, 9 May 2024 21:07:26 +0900

이전 시간에 원-핫 벡터는 단어 벡터 간 유의미한 유사도를 계산할 수 없는 단점이 있습니다.

이 유사도를 반영해서 수치화할 수 있는 방법인 Word2Vec가 등장하게 됩니다.

1. 워드 투 벡터란

기존의 원-핫 벡터는 단어 집합의 크기가 차원입니다.

단어 집합 {hello, nice, to, meet, you}

단어 집합이 5개이므로 차원은 5입니다.

이 방법은 표현할 단어만 1이고 나머지는 0으로 표현되기 때문에 희소 표현(sparse representation)이라고 합니다.

하지만, 이는 단어의 유사성을 표현할 수 없고 대부분의 단어가 0으로 표현되기 때문에 매우 비효율적입니다.

이에 분산 표현(Distributed Representation)이 등장하게 됩니다.

이 분산 표현은 '비슷한 문맥에서 등장하는 단어들은 비슷한 의미를 가진다'라는 가정을 해야합니다.

분산 표현은 분산 가설을 이용하여 텍스트를 학습하고 단어의 의미를 여러 차원에 '분산'하여 표현합니다.

위에서 표현된 단어 집합 {hello, nice, to, meet, you} 로 예시를 들겠습니다.

비슷한 문맥에서 등장하는 단어는 비슷한 의미를 가지는 가정을 했기 때문에

nice 라는 단어를 확인하면

ex)

수치는 예시입니다

nice 를 분산 표현을 통해 학습을 하니까 수치들이 여러 차원에 분산되어 표시됩니다.

이 수치를 보면 nice 와 유사도가 가까운 단어가 표시되는 것입니다.

단어집합 ->	hello	nice	to	meet	you
nice	0.9	0.8	0.5	0.6	0.7

이 분산표현을 통해 학습한 nice는 hello, nice, you, meet, to 순으로 유사도가 높게 나온다는 것입니다.

( 수치는 예시입니다)

이 방식의 대표적인 학습 방법이 Word2Vec입니다.

이 Word2Vec 에는 2가지 방식이 있습니다.

2. CBOW(Continous Bag Of Words)

CBOW는 주변에 있는 단어들을 입력으로 중간에 있는 단어를 예측하는 방식입니다.

예문 : " The fat cat sat on the mat"

이 예문에서 sat라는 단어를 The fat cat on the mat 으로부터 예측해보겠습니다.

이때 예측해야하는 단어 sat을 중심단어(Center word)라고 하고

예측에 사용되는 단어를 주변 단어(Context word)라고 합니다.

중심단어를 예측하기 위해 앞 뒤로 몇개의 단어를 볼지 정해야 하는데 이 범위를 윈도우(window)라고 합니다.

window = 2 라고 가정할 경우 중심단어 sat에서 앞의 두 단어 fat cat과 뒤의 두 단어 on the를 입력으로 사용하게 됩니다.

이를 도식화하면 다음과 같습니다.

다음으로 윈도우를 옆으로 움직여 주변 단어와 중심 단어를 바꿔가며 학습하는 단계를 슬라이딩 윈도우라고 합니다.

슬라이딩 윈도우(Sliding Window)

3. Skip-gram

CBOW가 주변단어를 통해 중심단어를 예측한다면 Skip-gram은 반대입니다.

Skip-gram은 중심단어를 통해 주변단어를 예측합니다.

이를 도식화하면 다음과 같습니다.

4. 한계점

Word2Vec에도 한계점이 있습니다.

1. 단어의 형태학적 특성을 반영하지 못한다.

teach, teacher, teaches 이 세 단어는 의미적으로 유사한 단어입니다.

하지만, 각 단어를 개별로 처리하기 때문에 벡터 값이 다르게 구성됩니다.

2. 단어 빈도 수의 영향을 많이 받아 희소한 단어를 임베딩하기 어렵다.

단어 빈도수의 영향을 많이 받기 때문에 희소한 단어를 임베딩하기 어렵습니다.

3. OOV(Out of Vocabulary)의 처리가 어렵다.

OOV는 사전에 없는 단어를 의미합니다.

단어 단위로 학습하는 Word2Vec의 특성 상

새로운 단어가 등장하면 데이터 전체를 학습시켜야 합니다.

CBOW와 Skip-gram의 부족한 메커니즘 설명 부분은 다음 자료를 참고해주세요.

참고자료 : https://wikidocs.net/22660

09-02 워드투벡터(Word2Vec)

앞서 원-핫 벡터는 단어 벡터 간 유의미한 유사도를 계산할 수 없다는 단점이 있음을 언급한 적이 있습니다. 그래서 단어 벡터 간 유의미한 유사도를 반영할 수 있도록 단어의 의미를…

wikidocs.net

[NLP]원-핫 인코딩(One-Hot Encoding)

seokhee123 — Fri, 12 Apr 2024 01:30:59 +0900

원-핫 인코딩에서는 단어 집합(vocabulary)이 나오는데 단어집합은 서로 다른 단어들의 집합이라고 합니다.

그러나

book, books

두 단어는 서로 다른 단어입니다.

단어의 변형 형태도 다른 단어로 간주하는 것입니다.

teach, teacher, teaches

이런 변형 형태도 단어 집합에서는 다른 형태로 간주하는 것입니다.

원-핫 인코딩에 앞서 먼저 해야할 일은 단어집합을 만드는 것입니다.

모든 단어의 중복을 허용하지 않고 모으면 이를 단어집합이라고 하고, 이 단어에 고유한 정수를 부여합니다.

이를 정수인코딩이라고 하는데, 각 단어의 인덱스를 부여하는 것입니다.

예시)

1 = hello, 2 = teach, 3 = teacher, 4 = teaches, 5 = cat

1. 원-핫 인코딩(One-Hot Encoding)이란?

방금 번호를 부여한 단어를 벡터로 다루려고 합니다.

원-핫 인코딩은 단어 집합의 크기를 벡터 차원으로 둡니다.

표현하고 싶은 단어의 인덱스에 1의 값을 부여하고, 다른 인덱스는 0을 부여하는 표현 방식입니다.

또한, 이렇게 부여된 벡터를 원-핫 벡터라고 합니다.

번호를 부여한 단어의 벡터 차원을 시각적으로 표현한 것

단어집합에 5개의 단어가 있기 때문에 5차원 벡터로 구성됩니다.

그리고 해당 단어의 인덱스에 1의 값을 부여한 모습입니다.

이제 한국어 문장으로 원-핫 벡터를 만들어보겠습니다.

문장 : 나는 지금 티스토리 블로그에 글을 쓰고 있다.

Okt 형태소 분석기를 통해서 문장에 대해 토큰화를 수행합니다.

(Konlpy 다운이 필요합니다) 설치링크

from konlpy.tag import Okt  

okt = Okt()  
tokens = okt.morphs("나는 자연어 처리를 배운다")  
print(tokens)

결과는

또한 각 토큰에 대해 고유한 정수를 부여합니다.

word_to_index = {word : index for index, word in enumerate(tokens)}
print('단어 집합 :',word_to_index)

토큰을 입력하면 해당 토큰의 원-핫 벡터를 만들어 내는 함수입니다.

def one_hot_encoding(word, word_to_index):
  one_hot_vector = [0]*(len(word_to_index))
  index = word_to_index[word]
  one_hot_vector[index] = 1
  return one_hot_vector

이제 '티스토리' 라는 단어의 원-핫 벡터를 얻는다면

one_hot_encoding("티스토리", word_to_index)

티스토리의 원-핫벡터의 인덱스 3의 값이 1이고 나머지는 0이 나오네요.

2. 케라스(Keras)를 이용한 원-핫 인코딩

케라스는 to_categorical()이라는 유용한 도구를 지원합니다.

(tensorflow, keras 필요)

text = "나는 회가 좋아 나는 연어가 좋아 그리고 광어도 좋아"

이 단어를 정수 인코딩한다면

from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.utils import to_categorical

text = "나는 회가 좋아 나는 연어가 좋아 그리고 광어도 좋아"

tokenizer = Tokenizer()
tokenizer.fit_on_texts([text])
print('단어 집합 :',tokenizer.word_index)

이렇게 결과가 나옵니다.

큰 특징은 빈도 수에 따라 앞 번호를 가져가네요.

sub_text = "나는 회가 그리고 광어도 좋아"
encoded = tokenizer.texts_to_sequences([sub_text])[0]
print(encoded)

해당 단어의 인덱스 번호가 나오네요

이제 "나는 회가 그리고 광어도 좋아" 문장을

to_categorical() 한다면

one_hot = to_categorical(encoded)
print(one_hot)

이렇게 결과가 나옵니다

3. 원-핫 인코딩의 한계

이러한 표현 방식은 단어 집합이 늘어날수록, 벡터의 저장을 위한 공간이 계속 늘어나는 단점이 있습니다.

단어의 갯수 = 벡터의 차원 수

만약 1000개의 단어집합이 있다면 모든 단어는 1000개의 차원을 가진 벡터가 됩니다.

또한, 단어 각각은 값을 1 가지고 나머지 999개는 0을 가지기 때문에 이는 저장 공간 측면에서 매우 비효율적입니다.

다른 단점으로는 단어의 유사도를 표현하지 못합니다.

처음 나왔던 teach, teaches, teacher와 같이 의미가 비슷한 단어도 단어의 유사도를 표현할 수 없게 됩니다.

또한, teach라는 단어가 cat, teacher 중 어떤 것과 더 유사한지도 파악할 수 없습니다.

이러한 단점을 해결하기 위해 Word2Vec를 사용하게 되는데

다음 글에서 다루겠습니다.

참고문헌

https://wikidocs.net/22647

안녕하세요

seokhee123 — Thu, 11 Apr 2024 23:25:58 +0900

안녕하세요!

블로그 시작합니다