博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
时间片轮转源码_CTC loss 笔记+源码分享
阅读量:6361 次
发布时间:2019-06-23

本文共 16124 字,大约阅读时间需要 53 分钟。

简介

在ocr任务与机器翻译中,输入与输出GT文本很难在单词上对齐,在预处理的时候对齐是非常困难的,但是如果不对齐而直接训练模型的话,由于字符距离的不同,导致模型很难收敛.

CTC(Connectionist Temporal Classification)避免了输入与输出手动对齐,适合OCR或语音这样的序列应用;

建模

给定输入序列

,以及对应的标签数据
.
不一定相等 我们的工作是找到一个X到Y的映射.这种对时序数据进行分类算法叫做Temporal Classification。

对比传统分类方法,时序分类有一下困难:

  • X和Y的长度都是变化且不相等的.
  • 对于一个端到端的模型,我们并不想手动设计X和Y之间的对齐.

CTC提供了解决方案,对于一个给定的输入序列

,CTC给出所有可能的 Y 的输出分布。根据这个分布,我们可以输出最可能的结果或者给出某个输出的概率。

loss:给定输入序列X,我们希望最大化Y的后验概率

,
应该是可导的,这样我们就能执行梯度下降算法进行优化.
infer:

1.1 对齐

在ocr任务中,输入X是一张含有"CAT"的图片,输出Y是文本[C,A,T] 最原始的对齐方式将X分割成若干个时间片,每一个时间片得到一个字符的输出,然后合并连续重复出现的字符.

然而这样做有两个缺点:

  • 几乎不可能将 X 的每个时间片都和输出Y对应上,例如OCR中字符的间隔,语音识别中的停顿;
  • 不能处理有连续重复字符出现的情况,例如单词“APPLE”,按照上面的算法,输出的是“APLE”而非“APPLE”。

为了解决上面的问题,CTC引入了空白字符, CTC的对齐涉及去除重复字母和去除 空白字符 两部分. 其规则:

  • 连续相同的字符做去重
  • 去重空白字符

比如,对于长度为10的输入序列,以下RNN输出序列都可以映射为: apple

  • _aappp_ple
  • ap_p_|_ e
  • _ _ app_ple_

最后要计算P(Y|X),可以累加其对应的全部输出(全部输出为apple)的路径概率之和.

因此,在训练阶段,我们要对GT进行标签扩充.其做法是: 头尾加空白符,并在GT中的每一个字符间插入空白符; 用l表示最终标签,l’表示扩展后的形式, 则由2|l| + 1 = 2|l’|,比如:l=apple => l’=_a_p_p_l_e_

如图所示:

b0f9394b9a57da7e5a3affcc3b4c3b4f.png

1.2 路径搜索与动态规划

37671cfbce8d174fcc33cd1fb1ac5d75.png

b18114cc41a6b10ae2f1d56fc79fba76.png

05ad8dccd5f038e571f3dae5e27e01f4.png

上图的路径搜索中: 定义:

  • 为第t个时刻,gt字符串
    的第s个字符的路径前向概率.
  • 为预测矩阵中第t时刻是第s个字符的概率.
  • 为输入序列x,输出为l的概率,我们要最大化其概率

(1) 如果

为空白符.则
只能由前一个空白符
或者其GT中该字符为上一时刻
得到(因为我们是隔一个字符插入空白符,当前字符是空白的话,如果前一个也不是s的字符,就会错过GT中s字符,导致最后的path没法解析到GT,所以要么最多连续两个空白格,要么是前一个已经出现s字符,当前可以为空白)

所以这种情况下其概率为:

(2)如果

不为空白符,那么该点的前向概率之和可以通过以下路径得到
  • :s为当前gt的第s个字符,然后前一个为空白字符的概率
  • :当前字符s连续出现的概率
  • :前一个字符GT的上一个字符,当前步是GT的S个字符,代表s-1,s之间没有空白符,没有连续的字符的概率(因为每个字符都隔了一个空白符)

所以这种情况下前向概率为:

初始化值:

(代表了T时刻可以从空白符出发,也可以从gt的第0个字符开始)

最后我们需要计算

两个前向概率之和便得到前向概率之和.如图的右下角两个位置概率之和.

利用前向概率计算ctc 的loss 即

等于最小化对数域.

所以loss的值为:

简化计算

我们看到在计算过程中我们发现了大量的连乘。由于每一个数字都是浮点数,那么这样连乘下去,最终数字有可能非常小而导致underflow。所以我们要将这个计算过程转到对数域上。这样我们就将其中的乘法转变成了加法。

由于最后计算loss为-ln(P)

所以在计算前向概率的时候可以直接计算log(p)的值..

logsumexp的优化

如果我们有N个概率,

,我们想求其对数域之和:

如果

很大或很小,朴素的直接计算会上溢出或下溢出,从而导致严重问题。举个例子,对于[0,1,0]直接计算是可行的,我们可以得到1.55。但对于[1000,1001,1000]却并不可行,我们会得到inf;对于[-1000,-999,-1000],还是不行,我们会得到-inf.

解决方法:

一般情况下,a取N个值中的最大值; 这可以保证指数最大不会超过0,于是你就不会上溢出。即便剩余的部分下溢出了,你也能得到一个合理的值。

证明:

CTC 概率图前向概率:

代表了第t时刻第s个gt字符(经过补充空白符)的概率

在torch的ctc 前馈过程中,计算的log前向概率值的矩阵,(用以进行loss back),我们看到其核心:

  • 每一个baych ,通过两层循环(T,S)动态规划计算前向概率Log值. 在计算的同时将同样需要计算的
    作为la1 ,la2,然后判断当前s的字符来决定第三个加项是否为
  • 同时,因为转换到了对数域,也避免了数变小与溢出的问题,其项变成了
log_alpha_a[t][s] = std::log(std::exp(la1 - lamax) + std::exp(la2 - lamax) + std::exp(la3 - lamax)) + lamax + log_probs_a[t][current_target_prime];

源码分析: 使用了pytorch中ctcloss 的源码

//pytorch/aten/src/ATen/native/LossCTC.cpp

//获取填充blank后的target指定位置的值,用来判断是static inline int64_t get_target_prime(target_t *target, int64_t offset, int64_t stride, int64_t idx, int64_t BLANK)            {                if (idx % 2 == 0)                {                    return BLANK;                }                else                {                    return target[offset + stride * (idx / 2)];                }            }//ctc_loss_cpu_template部分核心代码//前向概率[B,T,N]                Tensor log_alpha = at::empty({batch_size, log_probs.size(0), 2 * max_target_length + 1}, log_probs.options());                Tensor neg_log_likelihood = at::empty({batch_size}, log_probs.options());                //[B,T,N]                auto lpp = log_probs.permute({1, 0, 2});                auto log_probs_a_global = lpp.accessor
(); auto log_alpha_a_global = log_alpha.accessor
(); auto targets_data = targets.data_ptr
(); auto neg_log_likelihood_a = neg_log_likelihood.accessor
(); // alpha calculation for the first row, the three equations for alpha_1 above eq (6) // first the default log_alpha.narrow(1, 0, 1).fill_(neginf); at::parallel_for(0, batch_size, 0, [&](int64_t start, int64_t end) { for (int64_t b = start; b < end; b++) { //每个batch int64_t input_length = input_lengths[b]; int64_t target_length = target_lengths[b]; auto log_probs_a = log_probs_a_global[b]; auto log_alpha_a = log_alpha_a_global[b]; int64_t tg_batch_offset = tg_batch_offsets[b]; // the first two items of alpha_t above eq (6) //初始化前向概率[t0][s0] log_alpha_a[0][0] = log_probs_a[0][BLANK]; if (target_length > 0) //[t0][s1]等于序列中第一个字符的概率 log_alpha_a[0][1] = log_probs_a[0][get_target_prime(targets_data, tg_batch_offset, tg_target_stride, 1, BLANK)]; // now the loop over the inputs for (int64_t t = 1; t < input_length; t++) { for (int64_t s = 0; s < 2 * target_length + 1; s++) { //对于每一个s,计算其概率 //获取第s个字符是什么 auto current_target_prime = get_target_prime(targets_data, tg_batch_offset, tg_target_stride, s, BLANK); // this loop over s could be parallel/vectorized, too, but the required items are one index apart // alternatively, one might consider moving s to the outer loop to cache current_target_prime more (but then it needs to be descending) // for the cuda implementation, that gave a speed boost. // This is eq (6) and (7), la1,2,3 are the three summands. We keep track of the maximum for the logsumexp calculation. scalar_t la1 = log_alpha_a[t - 1][s]; scalar_t lamax = la1; scalar_t la2, la3; if (s > 0) { la2 = log_alpha_a[t - 1][s - 1]; if (la2 > lamax) lamax = la2; } else { la2 = neginf; } if ((s > 1) && (get_target_prime(targets_data, tg_batch_offset, tg_target_stride, s - 2, BLANK) != current_target_prime)) { //第s个字符不是空且不等于s-2(即不连续的时候),即动态转移方程的第二个式子 la3 = log_alpha_a[t - 1][s - 2]; if (la3 > lamax) lamax = la3; } else { //s为空或者连续,第三项不用加 la3 = neginf; } //添加概率最大项按前一个[t-1][s] if (lamax == neginf) // cannot do neginf-neginf lamax = 0; //计算此时的 // this is the assignment of eq (6) log_alpha_a[t][s] = std::log(std::exp(la1 - lamax) + std::exp(la2 - lamax) + std::exp(la3 - lamax)) + lamax + log_probs_a[t][current_target_prime]; } } // the likelihood is the the sum of the last two alphas, eq (8), the loss is the negative log likelihood if (target_length == 0) { // if the target is empty then there is no preceding BLANK state and hence there is no path to merge neg_log_likelihood_a[b] = -log_alpha_a[input_length - 1][0]; } else { scalar_t l1 = log_alpha_a[input_length - 1][target_length * 2]; scalar_t l2 = log_alpha_a[input_length - 1][target_length * 2 - 1]; //取两条路的概率之和 scalar_t m = std::max(l1, l2); m = ((m == neginf) ? 0 : m); scalar_t log_likelihood = std::log(std::exp(l1 - m) + std::exp(l2 - m)) + m; neg_log_likelihood_a[b] = -log_likelihood; } } });

提供一个python 版本的numpy ctc的代码方便理解

import numpy as npninf = -np.float('inf')def _logsumexp(a, b):    '''    np.log(np.exp(a) + np.exp(b))    '''    if a < b:        a, b = b, a    if b == ninf:        return a    else:        return a + np.log(1 + np.exp(b - a)) def logsumexp(*args):    '''    from scipy.special import logsumexp    logsumexp(args)    '''    res = args[0]    for e in args[1:]:        res = _logsumexp(res, e)    return resclass CTC:    def __init__(self):        pass    def forward(self):        pass    def alpha(self, log_y, labels):        ##alpha 为前向概率        T, V = log_y.shape        L = len(labels)        log_alpha = np.ones([T, L]) * ninf        # init        ## 初始化动态规划        log_alpha[0, 0] = log_y[0, labels[0]]        log_alpha[0, 1] = log_y[0, labels[1]]        ##计算每一步,每个GT的前向概率        for t in range(1, T):            for i in range(L):                s = labels[i]                a = log_alpha[t - 1, i]                if i - 1 >= 0:                    a = logsumexp(a, log_alpha[t - 1, i - 1])                ##如果当前不是空白符,得加前两步的状态                if i - 2 >= 0 and s != 0 and s != labels[i - 2]:                    a = logsumexp(a, log_alpha[t - 1, i - 2])                log_alpha[t, i] = a + log_y[t, s]        return log_alpha    def beta(self, log_y, labels):        ##计算后向概率        T, V = log_y.shape        L = len(labels)        log_beta = np.ones([T, L]) * ninf        # init        log_beta[-1, -1] = log_y[-1, labels[-1]]        log_beta[-1, -2] = log_y[-1, labels[-2]]        for t in range(T - 2, -1, -1):            for i in range(L):                s = labels[i]                a = log_beta[t + 1, i]                if i + 1 < L:                    a = logsumexp(a, log_beta[t + 1, i + 1])                if i + 2 < L and s != 0 and s != labels[i + 2]:                    a = logsumexp(a, log_beta[t + 1, i + 2])                log_beta[t, i] = a + log_y[t, s]        return log_beta    def backward(selflog_y, labels):        T, V = log_y.shape        L = len(labels)        log_alpha = self.alpha(log_y, labels)        log_beta = self.beta(log_y, labels)        log_p = logsumexp(log_alpha[-1, -1], log_alpha[-1, -2])        ##任意时刻的        log_grad = np.ones([T, V]) * ninf        for t in range(T):            for s in range(V):                lab = [i for i, c in enumerate(labels) if c == s]                for i in lab:                    log_grad[t, s] = logsumexp(log_grad[t, s],                                            log_alpha[t, i] + log_beta[t, i])                log_grad[t, s] -= 2 * log_y[t, s]        log_grad -= log_p        return log_grad    def predict(self):        pass    def ctc_prefix(self):        pass    def ctc_beamsearch(self):        pass    def alpha_vanilla(self, y, labels):        T, V = y.shape  # T,time step, V: probs        L = len(labels) # label length        alpha = np.zeros([T, L])        # init        alpha[0, 0] = y[0, labels[0]]        alpha[0, 1] = y[0, labels[1]]        for t in range(1, T):            for i in range(L):                s = labels[i]                a = alpha[t - 1, i]                if i - 1 >= 0:                    a += alpha[t - 1, i - 1]                if i - 2 >= 0 and s != 0 and s != labels[i - 2]:                    a += alpha[t - 1, i - 2]                alpha[t, i] = a * y[t, s]        return alpha    def beta_vanilla(self, y, labels):        ##原始版计算前向概率,没在对数域中计算        T, V = y.shape        L = len(labels)        beta = np.zeros([T, L])        # init        beta[-1, -1] = y[-1, labels[-1]]        beta[-1, -2] = y[-1, labels[-2]]        for t in range(T - 2, -1, -1):            for i in range(L):                s = labels[i]                a = beta[t + 1, i]                if i + 1 < L:                    a += beta[t + 1, i + 1]                if i + 2 < L and s != 0 and s != labels[i + 2]:                    a += beta[t + 1, i + 2]                beta[t, i] = a * y[t, s]        return beta    def gradient(self, y, labels):        T, V = y.shape        L = len(labels)        alpha = self.alpha_vanilla(y, labels)        beta = self.beta(y, labels)        p = alpha[-1, -1] + alpha[-1, -2]        grad = np.zeros([T, V])        for t in range(T):            for s in range(V):                lab = [i for i, c in enumerate(labels) if c == s]                for i in lab:                    grad[t, s] += alpha[t, i] * beta[t, i]                grad[t, s] /= y[t, s] ** 2        grad /= p        return grad def check_grad(y, labels, w=-1, v=-1, toleration=1e-3):    grad_1 = gradient(y, labels)[w, v]    delta = 1e-10    original = y[w, v]    y[w, v] = original + delta    alpha = forward(y, labels)    log_p1 = np.log(alpha[-1, -1] + alpha[-1, -2])    y[w, v] = original - delta    alpha = forward(y, labels)    log_p2 = np.log(alpha[-1, -1] + alpha[-1, -2])    y[w, v] = original    grad_2 = (log_p1 - log_p2) / (2 * delta)    if np.abs(grad_1 - grad_2) > toleration:        print('[%d, %d]:%.2e' % (w, v, np.abs(grad_1 - grad_2)))def remove_blank(labels, blank=0):    new_labels = []    # combine duplicate    previous = None    for l in labels:        if l != previous:            new_labels.append(l)            previous = l    # remove blank    new_labels = [l for l in new_labels if l != blank]    return new_labelsdef insert_blank(labels, blank=0):    new_labels = [blank]    for l in labels:        new_labels += [l, blank]    return new_labelsdef greedy_decode(y, blank=0):    raw_rs = np.argmax(y, axis=1)    rs = remove_blank(raw_rs, blank)    return raw_rs, rsdef beam_decode(y, beam_size=10):    T, V = y.shape    log_y = np.log(y)    beam = [([], 0)]    for t in range(T):  # for every timestep        new_beam = []        for prefix, score in beam:            for i in range(V):  # for every state                new_prefix = prefix + [i]                new_score = score + log_y[t, i]                new_beam.append((new_prefix, new_score))        # top beam_size        new_beam.sort(key=lambda x: x[1], reverse=True)        beam = new_beam[:beam_size]    return beamdef prefix_beam_decode(y, beam_size=10, blank=0):    T, V = y.shape    log_y = np.log(y)    beam = [(tuple(), (0, ninf))]  # blank, non-blank    for t in range(T):  # for every timestep        new_beam = defaultdict(lambda : (ninf, ninf))        for prefix, (p_b, p_nb) in beam:            for i in range(V):  # for every state                p = log_y[t, i]                if i == blank:  # propose a blank                    new_p_b, new_p_nb = new_beam[prefix]                    new_p_b = logsumexp(new_p_b, p_b + p, p_nb + p)                    new_beam[prefix] = (new_p_b, new_p_nb)                    continue                else:  # extend with non-blank                    end_t = prefix[-1] if prefix else None                    # exntend current prefix                    new_prefix = prefix + (i,)                    new_p_b, new_p_nb = new_beam[new_prefix]                    if i != end_t:                        new_p_nb = logsumexp(new_p_nb, p_b + p, p_nb + p)                    else:                        new_p_nb = logsumexp(new_p_nb, p_b + p)                    new_beam[new_prefix] = (new_p_b, new_p_nb)                    # keep current prefix                    if i == end_t:                        new_p_b, new_p_nb = new_beam[prefix]                        new_p_nb = logsumexp(new_p_nb, p_nb + p)                        new_beam[prefix] = (new_p_b, new_p_nb)        # top beam_size        beam = sorted(new_beam.items(), key=lambda x : logsumexp(*x[1]), reverse=True)        beam = beam[:beam_size]    return beam

转载地址:http://gzima.baihongyu.com/

你可能感兴趣的文章
springMVC3学习(九)--redirect和forward跳转
查看>>
Spark技术栈
查看>>
EGLImage与纹理
查看>>
Redis(七):Jedis简介和集群
查看>>
Web API 持续集成:PostMan+Newman+Jenkins(图文讲解)
查看>>
证书生成加密码解密
查看>>
弹窗查看内容时 内容滚动区域设置为body区
查看>>
Windows Azure Platform Introduction (6) Windows Azure应用程序运行环境
查看>>
Windows Azure VM Role (3) 在VHD中安装Windows Server 2008 R2
查看>>
Windows 8 Platform (三) Windows 8 Developer Preview
查看>>
根据条件用一个表的字段,去更新另一个表的字段
查看>>
thinkphp模板中使用自定义函数
查看>>
TP复习3
查看>>
(Delphi) Using the Disk Cache 使用磁盘缓存
查看>>
用Feature的方式删除SharePoint2010的Page中重复的WebPart
查看>>
递归算法学习系列之三(快速排序)
查看>>
从TdataSet生成OleVariant
查看>>
预告和目录: Wayne Game Solution 0.1 网络游戏大厅 从最基础开始
查看>>
xBIM WeXplorer xViewer的导航,相机、剖切、隐藏 等操作
查看>>
(转)预编译头文件
查看>>