crf_decoding

paddle.static.nn.crf_decoding ( input, param_attr, label=None, length=None ) [源代码]

api_attr

声明式编程模式（静态图)

该层读取由 linear_chain_crf 学习的 emission feature weights（发射状态特征的权重）和 transition feature weights (转移特征的权重) 进行解码。 本层实现了 Viterbi 算法，可以动态地寻找隐藏状态最可能的序列，该序列也被称为 Viterbi 路径（Viterbi path），从而得到观察标签 (tags) 序列。

这个层运算的结果会随着输入 Label 的有无而改变：

  1. Label 非 None 的情况，在实际训练中时常发生。此时本层会协同 cn_api_fluid_layers_chunk_eval 工作。在 LoDTensor 模式下，本层会返回一行形为 [N X 1] 的向量，在 padding 模式下，返回形状则为 [B x S]，其中值为 0 的部分代表该 label 不适合作为对应结点的标注，值为1的部分则反之。此类型的输出可以直接作为 cn_api_fluid_layers_chunk_eval 算子的输入；

  2. 当没有 Label 时，该函数会执行标准解码过程；

（没有 Label 时）该运算返回一个形状为 [N X 1] 或 [B x S] 的向量，此处的形状取决于输入是 LoDTensor 还是普通 Tensor，其中元素取值范围为 0 ~ 最大标注个数-1，分别为预测出的标注（tag）所在的索引。

参数：

  • input (Tensor) — 一个形为 [N x D] 的 LoDTensor，其中 N 是mini-batch的大小，D是标注（tag) 的总数； 或者形为 [B x S x D] 的普通 Tensor，B 是批次大小，S 是序列最大长度，D 是标注的总数。 该输入是 cn_api_fluid_layers_linear_chain_crf` 的 unscaled emission weight matrix （未标准化的发射权重矩阵）。数据类型为 float32 或者 float64。

  • param_attr (ParamAttr，可选) ：指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 cn_api_guide_ParamAttr 。

  • label (Tensor，可选) — 形为 [N x 1] 的正确标注（ground truth）（LoDTensor 模式），或者形状为 [B x S]。 有关该参数的更多信息，请详见上述描述。数据类型为 int64。

  • length (Tensor，可选) — 形状为 [B x 1], 表示输入序列的真实长度。该输入非 None，表示该层工作在 padding 模式下，即 input 和 label 都是带 padding 的普通 Tensor。数据类型为 int64。

返回：Tensor, 解码结果具体内容根据 Label 参数是否提供而定，请参照上面的介绍来详细了解。

代码示例

  1. import paddle
  2. paddle.enable_static()
  4. # LoDTensor-based example
  5. num_labels = 10
  6. feature = paddle.static.data(name='word_emb', shape=[-1, 784], dtype='float32', lod_level=1)
  7. label = paddle.static.data(name='label', shape=[-1, 1], dtype='int64', lod_level=1)
  8. emission = paddle.static.nn.fc(feature, size=num_labels)
  10. crf_cost = paddle.fluid.layers.linear_chain_crf(input=emission, label=label,
  11.             param_attr=paddle.ParamAttr(name="crfw"))
  12. crf_decode = paddle.static.nn.crf_decoding(input=emission,
  13.             param_attr=paddle.ParamAttr(name="crfw"))
  15. # Common tensor example
  16. num_labels, max_len = 10, 20
  17. feature = paddle.static.data(name='word_emb_pad', shape=[-1, max_len, 784], dtype='float32')
  18. label = paddle.static.data(name='label_pad', shape=[-1, max_len, 1], dtype='int64')
  19. length = paddle.static.data(name='length', shape=[-1, 1], dtype='int64')
  20. emission = paddle.static.nn.fc(feature, size=num_labels,
  21.                             num_flatten_dims=2)
  23. crf_cost = paddle.fluid.layers.linear_chain_crf(input=emission, label=label, length=length,
  24.             param_attr=paddle.ParamAttr(name="crfw_pad"))
  25. crf_decode = paddle.static.nn.crf_decoding(input=emission, length=length,
  26.             param_attr=paddle.ParamAttr(name="crfw_pad"))