ctc原理理解(转载)

本文大量摘抄和节选于下列文章：

　　https://zhuanlan.zhihu.com/p/108547594

　　https://lipengwei.github.io/2018/08/10/CTC原理/

　　https://blog.csdn.net/JackyTintin/article/details/79425866

1 CTC loss出现的背景

　　在图像文本识别、语言识别的应用中，所面临的一个问题是神经网络输出与ground truth的长度不一致，这样一来，loss就会很难计算，举个例子来讲，如果网络的输出是”-sst-aa-tt-e'', 而其ground truth为“state”，那么像之前经常用的损失函数如cross entropy便都不能使用了，因为这些损失函数都是在网络输出与ground truth的长度一致情况下使用的。除了长度不一致的情况之外，还有一个比较难的点在于有多种情况的输出都对应着ground truth，根据解码规则(相邻的重复字符合并，去掉blank), path1: "-ss-t-a-t-e-" 和path2: "--stt-a-tt-e"都可以解码成“state”，与ground truth对应, 也就是many-to-one。为了解决以上问题，CTC loss就产生啦~

2 CTC loss原理

2.1 前序

　　在说明原理之前，首先要说明一下CTC计算的对象：softmax矩阵，通常我们在RNN后面会加一个softmax层，得到softmax矩阵，softmax矩阵大小是timestep*num_classes, timestep表示的是时间序列的维度，num_class表示类别的维度

import numpy as np
ts = 12
num_classes = 26+1 #26 for the number of english character, 1 for blank
rnn_output = np.random.random((ts, 16))#16 for hidden node number
w = np.random.random((16,num_classes))
logits = np.matmul(rnn_output,w)#logits: ts*num_classes=[12,27]
#calculate softmax matrix
maxvalue = np.max(logits, axis=1, keepdims=True)
exp = np.exp(logits-maxvalue) #minus maxvalue for avoiding overflow
exp_sum = np.sum(exp, axis=1, keepdims=True)
y = softmax = exp/exp_sum #softmax:ts*num_classes=[12,27]

2.2 forward-backward计算

　　其实呢，整体过程可以看做是对输入的y也就是softmax做了相应的映射得到解码结果，在希望解码结果尽量正确的情况下（使用概率来衡量），对网络的参数进行梯度下降。

　　在接下来的说明中，我们使用 $x$ 表示网络的输入，使用 $y$ 表示softmax矩阵，其大小为timestep*num_classes, 表示的是在第t个timestep时，第k个类别的softmax值，使用 $y^t_k$ 表示路径，路径中包含字符，使用 $L^{’}=L\bigcup{blank}$ 表示字符集，如果是英文的话，那么一共就有26+1=27类，使用T表示总的timestep，即时序数。定义一个映射 $B:L^{'T} \rightarrow L^{\leq T}$ 表示解码过程中many-to-one的映射，就如上面所说的 $B( "-ss-t-a-t-e-")= B( "--stt-a-tt-e")=“state”$

　　在给定输入的情况下，输出路径的概率可以表示为：

　　上述公式的一个假设是：每个时序的字符都是相互独立的，与上下文无关

　　以上述"state"为例子，可以通过映射得到 $l=$ "state"的路径集合使用 $\pi$ 表示，那么：

　　上面所说的path1: "-ss-t-a-t-e-" 和path2: "--stt-a-tt-e"都属于路径集合 $\pi$ 。

　　知道了 $p(l/x)$ 之后，肯定希望它的概率越大越好，如果取反的话，可以作为损失函数来进行求导，从而反向传播，对参数进行更新啦。

　　在第t个timestep，对k个类别的softmax值求偏导，即为 $\frac{\partial{p(l/x)}}{\partial{y^t_k}}$ ，一个更具体的例子来说就是在第7个timestep, 对类别a的进行求导 $\frac{\partial{p(l/x)}}{\partial{y^7_a}}$ ，那么

　　只有在timestep=7时为a的路径才会使用 $y_a^7$ 进行路径的分数计算，所以求偏导的时候只对这部分路径求导就可以啦

　　　　path1："-ss-t-a-t-e-" 第7个timestep为a, path2: "--stt-a-tt-e"第7个timestep也为a, 以a为中点，将这两条路径分别分成两段。

　　　　path1_forward: "-ss-t-" path1_backward: "-t-e-"

　　　　path2_forward: "--stt-" path2_backward: "-tt-e"

　　你也会发现 path1_forward+"a"+path2_backward也能够解码成正确的”state", 我们使用path3来表示该路径 , 同样的, path2_forward+"a"+path1_backward也可以解码成正确的“state"，我们使用path4表示该路径

　　在下式中我们考虑中仅仅包含path1,path2, path3, path4

　　其中, $forward=p(path1\_forward)+p(path2\_forward)$ ， $backward=p(path1\_backward)+p(path2\_backward)$

　　是不是感觉比较简单呢 ~ 因为上面的公式特别复杂，想用符号来表示forward和backward，用 $\alpha$ 来表示forward的部分， $\beta$ 表示backward的部分吧

　　　　 $\alpha_t(s)$ 表示将1-t个timestep解码成中的1-s个字符，看公式比较好理解哈 $B(\pi_{1:t})=l_{1:s}$

　　　　 $\beta_t(s)$ 表示将t-T个timestep解码成中的s-| $|l|$ 个字符， $B(\pi_{t:T})=l_{s:|l|}$

　　其中表示的是解码后的长度。先看forward部分

2.2.1 forward部分

　　这个公式计算的是所有能够解码成的概率，

　　上面三个式子是说第一个timestep的解码成”blank“的概率是 $y_b^1$ , 解码成 $l$ 中第一个字符的概率是 $y_{l_1}^1$ , 其他的字符的概率为0，可以这样理解，如果路径能够解码成正确的”state", 那么第一个timestep的肯定是blank或者"s", 只有这样才能解码正确。在前向和后向计算中，CTC会将blank插入到输出字符串，比如“state”就会变成“-s-t-a-t-e-", 使用 $l^{'}$ 表示。根据上面的叙述，可以得到如下递推式：

　　公式可能一下子不能理解透，举个例子好啦，先看上面的那种情况，也就是特殊情况下的递推公式：

　　假设在第t个timestep解码成 “-s-t-"（ $l^{'}_5=blank$ ），在第t-1个timestep中，当前的解码只可能是 “-s-t-" $(l_{1:5}^{'})$ 或者“-s-t" ( $l_{1:4}^{'}$ ), 只有这样才能正确解码。“-s-t-" 加入第t个timestep中的blank，会变成”-s-t--", 合并两个相邻的blank变成“-s-t-"。 “-s-t"加入第t个timestep中的blank会变成”-s-t-"。两者去掉空格都可以变成正确的“st"。

　　假设在第t个timestep解码成 “-s-e-e"（ $l^{'}_6=l^{'}_4$ ），在第t-1个timestep中，当前的解码只可能是 “-s-e-" $(l_{1:5}^{'})$ 或者“-s-e" ( $l_{1:4}^{'}$ ), 只有这样才能正确解码。“-s-e-" 加入第t个timestep中的"e"，会变成”-s-e-e", 去掉blank会解码成正确的”see“。 “-s-e"加入第t个timestep中的"e"会变成”-s-ee", 去掉blank也会解码成正确的”see“。

　　公式（9）上面的情况已经讲完啦，接着我们看公式（9）下面的情况，也就是普通情况下的递推公式：

　　假设在第t个timestep解码成 “-s-t-a"（ $l^{'}_{1:6}$ ），在第t-1个timestep中，当前的解码只可能是 “-s-t-a" $(l_{1:6}^{'})$ 或者“-s-t-" ( $l_{1:5}^{'}$ )再或者“-s-t" ( $l_{1:4}^{'}$ ), 只有这样才能正确解码。“-s-t-a" 加入第t个timestep中的“a“，会变成”-s-t-aa", 合并两个相邻的"a"变成“-s-t-a", 去掉blank可以解码成“sta"。 “-s-t-"加入第t个timestep中的a会变成”-s-t-a",去掉blank可以解码成“sta" 。“-s-t"加入第t个timestep中的a会变成”-s-ta",去掉blank可以解码成“sta"。

forward部分代码理解：

# y表示RNN的特征输出， labels是带空格的
# 例如：labels = [0, 3, 0, 3, 0, 4, 0]  # 0 for blank
# y的shape=[T, V], labels的长度L=len(label) + len(blank)
# 通常来说，L = 2*len(label) + 1 

def forward(y, labels):
    T, V = y.shape
    L = len(labels)
    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

2.2.2 backward部分

　　forward讲清楚之后， backward快速的过一遍就好啦

$\beta_t(s) = \sum_{\pi{\in}N^T:B(\pi_{t:T})=l_{s:|l|}}{\prod_{t^{'}=t}^{T}{y^{t^{'}}_{\pi_{t^{'}}}}}\tag{10}$

　　这个公式计算的是所有能够解码成的概率，

$\beta_T("blank")=y_b^T\tag{11}$

$\beta_T("y_{l_{|l|}}")=y_{l_{|l|}}^T\tag{12}$

$\beta_T("else")=0\tag{13}$

　　上面三个式子是说第T个timestep的解码成”blank“的概率是 $y_b^T$ , 解码成中第一个字符的概率是 $y_{l_{|l|}}^T$ , 其他的字符的概率为0，可以这样理解，如果路径能够解码成正确的”state", 那么第T个timestep的肯定是blank或者"e", 只有这样才能解码正确。我们可以得到与forward相似的递推式：

$\beta_t(s)=\begin{cases} (\beta_{t+1}(s)+\beta_{t+1}(s+1))y_s^t, \quad l^{'}_s=blank \quad or \quad l^{'}_s=l^{'}_{s+2}\ \\(\beta_{t+1}(s)+\beta_{t+1}(s+1)+\beta_{t+1}(s+2))y_s^t, \quad else\end{cases}\tag{14}$

　　套用上面forward的方式去理解，应该不难的～

backward部分代码理解：

def backward(y, labels):
    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

2.3 梯度

　　求了上面的forward和backward之后，就可以求解梯度啦

　　根据 $p(\pi/x)=\prod_{t=1}^{T}{y^t_{\pi_t}}$ 可以得到

　　因为

　　所以对求导的话，仅有当为类别k的那一项不为0，其余项的偏导都为0

　　一般我们优化似然函数的对数，因此，梯度计算如下:

　　其中，似然值p(l|x)在前向计算中已经求得，就是最后输出为 blank 或者最后一个| $| l^{^{'}} |$

$| l^{^{'}} |$

　　代码表示就是：

$| l^{^{'}} |$

# y是RNN的输入， labels为加空格的标签
def gradient(y, labels):
    T, V = y.shape
    L = len(labels)
    
    alpha = forward(y, labels)
    beta = backward(y, labels)
    p = alpha[-1, -1] + alpha[-1, -2]
    
    grad = np.zeros([T, V])
    for t in range(T):
        for s in range(V):
            # 输出 s = l 标签的集合
            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

3. 解码

　　训练后的 $N_{w}$

$N_{w}$

　　然而，上式不存在已知的高效解法。下面介绍几种实用的近似破解码方法。

3.1 贪心搜索（greedy search)

　　我们放弃寻找使 $p (l | x)$

$p (l | x)$

# 输出删除blank
def remove_blank(labels, blank=0):
    new_labels = []
    # e.g. [-,a,a,-,-,p,p,-,-,p,p,-,-,l,l,-,e,e,-,]
    # 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_labels
    
# 贪心搜索
def greedy_decode(y, blank='-'):
    raw_rs = np.argmax(y, axis=1)
    rs = remove_blank(raw_rs, blank)
    return raw_rs, rs

3.2 束搜索（Beam Search）

　　贪心搜索的性能非常受限。例如，它不能给出除最优路径之外的其他其优路径。很多时候，如果我们能拿到nbest的路径，后续可以利用其他信息来进一步优化搜索的结果。束搜索能近似找出 top 最优的若干条路径。

def 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 beam

3.3 前缀束搜索（Prefix Beam Search）

　　直接的束搜索的一个问题是，在保存的 top N 条路径中，可能存在多条实际上是同一结果（经过去重复、去 blank 操作）。这减少了搜索结果的多样性。下面介绍的前缀搜索方法，在搜索过程中不断的合并相同的前缀[2]。参考 gist，前缀束搜索实现如下：

from collections import defaultdict

def 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

np.random.seed(1111)
y = softmax(np.random.random([20, 6]))
beam = prefix_beam_decode(y, beam_size=100)
for string, score in beam[:20]:
    print(remove_blank(string), score)

4. 补充

关于CTC的forward递推公式，找到几张示意图，可以方便记忆。下图中cat是真实的标签序列，模型输出是序列：x1x2x3x4x5x6，将真实标签填充为序列：∅c∅a∅t∅，下图中是将这两个序列进行对齐的示意图，就是类似于寻找动态规划中的状态转移方程。

posted @ 2021-01-06 14:57 silence_cho 阅读(1040) 评论(0) 编辑收藏举报

刷新页面返回顶部

silence_cho