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：

  1. # for lod tensor input
  2. 已知：
  4. input.data = [[0.6, 0.1, 0.3, 0.1],
  5.               [0.3, 0.2, 0.4, 0.1],
  6.               [0.1, 0.5, 0.1, 0.3],
  7.               [0.5, 0.1, 0.3, 0.1],
  9.               [0.5, 0.1, 0.3, 0.1],
  10.               [0.2, 0.2, 0.2, 0.4],
  11.               [0.2, 0.2, 0.1, 0.5],
  12.               [0.5, 0.1, 0.3, 0.1]]
  14. input.lod = [[4, 4]]
  16. 计算过程：
  18. 1. 将argmax的运算结果应用于输入的第一个序列，即 input.data[0:4] 。
  19.    则得出的结果为[[0], [2], [1], [0]]
  20. 2. 合并重复的索引值部分，删除空格，即为0的值。
  21.    则第一个输入序列对应的输出为：[[2], [1]]
  23. 最后
  25. output.data = [[2],
  26.                [1],
  27.                [3]]
  29. output.lod = [[2, 1]]
  31. # for tensor input
  32. input.data = [[[0.6, 0.1, 0.3, 0.1],
  33.         [0.3, 0.2, 0.4, 0.1],
  34.         [0.1, 0.5, 0.1, 0.3],
  35.         [0.5, 0.1, 0.3, 0.1]],
  37.        [[0.5, 0.1, 0.3, 0.1],
  38.         [0.2, 0.2, 0.2, 0.4],
  39.         [0.2, 0.2, 0.1, 0.5],
  40.         [0.5, 0.1, 0.3, 0.1]]]
  42. input_length.data = [[4], [4]]
  43. input.shape = [2, 4, 4]
  45. step1: Apply argmax to first input sequence which is input.data[0:4]. Then we get:
  46.     [[0], [2], [1], [0]], for input.data[4:8] is [[0], [3], [3], [0]], shape is [2,4,1]
  47. step2: Change the argmax result to use padding mode, then argmax result is
  48.         [[0, 2, 1, 0], [0, 3, 3, 0]], shape is [2, 4], lod is [], input_length is [[4], [4]]
  49. step3: Apply ctc_align to padding argmax result, padding_value is 0
  51. Finally:
  52. output.data = [[2, 1, 0, 0],
  53.                [3, 0, 0, 0]]
  54. 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

  1. # for lod mode
  2. import paddle.fluid as fluid
  3. x = fluid.data(name='x', shape=[None, 8], dtype='float32', lod_level=1)
  4. cost = fluid.layers.ctc_greedy_decoder(input=x, blank=0)
  5. # for padding mode
  6. x_pad = fluid.data(name='x_pad', shape=[10, 4, 8], dtype='float32')
  7. x_pad_len = fluid.data(name='x_pad_len', shape=[10, 1], dtype='int64')
  8. out, out_len = fluid.layers.ctc_greedy_decoder(input=x_pad, blank=0,
  9.             input_length=x_pad_len)