ctc_greedy_decoder

paddle.fluid.layers. ctc_greedy_decoder ( input, blank, name=None ) [源代码]
该OP用于贪婪策略解码序列,步骤如下:
  1. 获取输入中的每一行的最大值索引,也就是numpy.argmax(input, axis=0)。

  2. 对于step1结果中的每个序列,合并两个空格之间的重复部分并删除所有空格。

该API支持两种输入,LoDTensor和Tensor输入,不同输入的代码样例如下:

样例

# for lod tensor input
已知:

input.data = [[0.6, 0.1, 0.3, 0.1],
              [0.3, 0.2, 0.4, 0.1],
              [0.1, 0.5, 0.1, 0.3],
              [0.5, 0.1, 0.3, 0.1],

              [0.5, 0.1, 0.3, 0.1],
              [0.2, 0.2, 0.2, 0.4],
              [0.2, 0.2, 0.1, 0.5],
              [0.5, 0.1, 0.3, 0.1]]

input.lod = [[4, 4]]

计算过程:

1. 将argmax的运算结果应用于输入的第一个序列,即 input.data[0:4] 。
   则得出的结果为[[0], [2], [1], [0]]
2. 合并重复的索引值部分,删除空格,即为0的值。
   则第一个输入序列对应的输出为:[[2], [1]]

最后

output.data = [[2],
               [1],
               [3]]

output.lod = [[2, 1]]

# for tensor input
input.data = [[[0.6, 0.1, 0.3, 0.1],
        [0.3, 0.2, 0.4, 0.1],
        [0.1, 0.5, 0.1, 0.3],
        [0.5, 0.1, 0.3, 0.1]],

       [[0.5, 0.1, 0.3, 0.1],
        [0.2, 0.2, 0.2, 0.4],
        [0.2, 0.2, 0.1, 0.5],
        [0.5, 0.1, 0.3, 0.1]]]

input_length.data = [[4], [4]]
input.shape = [2, 4, 4]

step1: Apply argmax to first input sequence which is input.data[0:4]. Then we get:
    [[0], [2], [1], [0]], for input.data[4:8] is [[0], [3], [3], [0]], shape is [2,4,1]
step2: Change the argmax result to use padding mode, then argmax result is
        [[0, 2, 1, 0], [0, 3, 3, 0]], shape is [2, 4], lod is [], input_length is [[4], [4]]
step3: Apply ctc_align to padding argmax result, padding_value is 0

Finally:
output.data = [[2, 1, 0, 0],
               [3, 0, 0, 0]]
output_length.data = [[2], [1]]

参数

  • input (Variable) — 变长序列的概率,在输入为LoDTensor情况下,它是具有LoD信息的二维LoDTensor。形状为[Lp,num_classes +1],其中Lp是所有输入序列的长度之和,num_classes是真实的类数。在输入为Tensor情况下,它是带有填充的3-D张量,其形状为[batch_size,N,num_classes +1]。 (不包括空白标签)。数据类型可以是float32或float64。

  • blank (int) — Connectionist Temporal Classification (CTC) loss空白标签索引,其数值属于半开区间[0,num_classes + 1)

  • name (str) — (str|None,可选) – 该参数供开发人员打印调试信息时使用,具体用法请参见 Name,默认值为None

返回

对于输入为LoDTensor的情况,返回CTC贪婪解码器的结果,即2-D LoDTensor,形状为[Lp,1],数据类型为int64。“Lp”是所有输出序列长度的总和。如果结果中的所有序列均为空,则结果LoDTensor将为[-1],其中LoD为[[]]。

对于输入为Tensor的情况,返回一个元组,(output, output_length),其中,output是一个形状为 [batch_size, N],类型为int64的Tensor。output_length是一个形状为[batch_size, 1],类型为int64的Tensor,表示Tensor输入下,每个输出序列的长度。

返回类型

Variable

代码示例

# for lod mode
import paddle.fluid as fluid
x = fluid.data(name='x', shape=[None, 8], dtype='float32', lod_level=1)
cost = fluid.layers.ctc_greedy_decoder(input=x, blank=0)

# for padding mode
x_pad = fluid.data(name='x_pad', shape=[10, 4, 8], dtype='float32')
x_pad_len = fluid.data(name='x_pad_len', shape=[10, 1], dtype='int64')
out, out_len = fluid.layers.ctc_greedy_decoder(input=x_pad, blank=0,
                input_length=x_pad_len)