如何正确使用 tensorflow ctc 光束搜索？

Question

我想对音素概率值矩阵（给出的 ASR 模型的输出）执行 CTC Beam Search。 Tensorflow 有一个 CTC Beam Search implementation，但它的文档记录很差，我没有给出一个有效的例子。我想编写一个代码以将其用作基准。

到目前为止，这是我的代码：

import numpy as np
import tensorflow as tf

def decode_ctcBeam(matrix, classes):
      matrix = np.reshape(matrix, (matrix.shape[0], 1,matrix.shape[1]))
      aa_ctc_blank_aa_logits = tf.constant(matrix)
      sequence_length = tf.constant(np.array([len(matrix)], dtype=np.int32))

      (decoded_list,), log_probabilities = tf.nn.ctc_beam_search_decoder(inputs=aa_ctc_blank_aa_logits,
                                          sequence_length=sequence_length,
                                          merge_repeated=True,
                                          beam_width=25)

      out = list(tf.Session().run(tf.sparse_tensor_to_dense(decoded_list)[0]))    
      print(out)

      return out

if __name__ == '__main__':
    classes = ['AA', 'B', 'CH']
    mat = np.array([[0.4, 0, 0.6, 0.2], [0.4, 0, 0.6, 0.2]], dtype=np.float32)

    actual = decode_ctcBeam (mat, classes)

我在理解代码方面遇到问题：

• 在示例中 ma​​t 的形状为 (2, 4)，但 tensorflow 模块需要 (2, 1, 4) 形状，因此我将 ma​​t 重塑为 matrix = np.reshape(matrix, (matrix.shape[0], 1,matrix.shape[1])) 但这在数学上意味着什么？ ma​​t 和 ma​​trix 是一样的吗？还是我在这里混在一起？中间的 1 是我理解的批量大小。
• decode_ctcBeam 函数返回一个列表，在它给出的示例中 [2]，这应该表示已定义类中的“CH”。如果我有一个更大的输入矩阵，比如说 40 个音素，我该如何概括这一点并找到识别的音素序列？

期待您的回答/cmets！谢谢！

Answer 1

TF 文档有误 - 波束宽度为 1 的波束搜索不与贪婪解码相同（我创建了一个 issue about this some time ago）。

然后，您可以简单地使用 np.transpose 来重新排序维度，而不是 np.reshape，然后使用 np.expand_dims 添加一个大小为 1 的批量大小的维度。

最后，关于 TF 波束搜索实现：是的，文档不是很好。 我在文本识别模型中使用了实现，我指出与你相关的行：

• Create TF beam search operation：注意 merge_repeated=False，因为 TF 的默认设置（即 True）对于 99.99999% 的所有相关用例没有意义。只需按照传递参数的变量名来查看它们的外观，例如输入矩阵是 ctcIn3dTBC，它是 RNN 输出的转置版本
• Transform output of beam search to a char string：该操作返回一个稀疏张量列表，需要将其解码为 char 字符串

Answer 2

所以，自从我提出这个问题以来，我已经取得了一些进展，但仍然没有弄清楚如何正确使用具有 CTC Beam Search 的 Tensorflow。很明显，设置 top_paths = 1 和 beam_width = 1 确实会在整数列表中返回贪婪搜索的预期输出，可以轻松地将其转换为存储在 类 中的所需音素。这种情况下的输出是：

--------贪婪---------

输出整数列表

[1, 22, 39, 14, 32, 8]

['AE', 'N', '', 'G', 'UH', 'D']

在 Beam Search 的情况下，结果很糟糕

--------波束搜索----------

输出整数列表

[26、19、9、28、5、0、2、31、1、22、39、14、32、20、8、16、39、30、37、8]

['P'、'K'、'DH'、'S'、'AY'、'AA'、'AH'、'TH'、'AE'、'N'、''、'G' , 'UH', 'L', 'D', 'IH', ' ', 'T', 'Z', 'D']

引用是“我很好”。 [1, 22, 39, 14, 32, 8] 的列表在 Beam 搜索结果中，其他部分应该是替代根？这对我来说很可疑。 有人有什么想法吗？

import numpy as np
import tensorflow as tf
import Classes

def decode_ctcBeam(matrix, classes):  
    matrix = np.reshape(matrix, (matrix.shape[0], 1,matrix.shape[1]))
    aa_ctc_blank_aa_logits = tf.constant(matrix)
    sequence_length = tf.constant(np.array([len(matrix)], dtype=np.int32))
    
    (decoded_list,), log_probabilities = tf.nn.ctc_beam_search_decoder(inputs=aa_ctc_blank_aa_logits,
                                              sequence_length=sequence_length,
                                              merge_repeated=True,
                                              top_paths=1,
                                              beam_width=4)

    out = list(tf.Session().run(tf.sparse_tensor_to_dense(decoded_list)[0]))
    print("Output int list")
    print(out)
    seq_list = get_seq_from_list(out, classes)
    return seq_list
        
def decode_ctcgreedy(matrix, classes):
    
    matrix = np.reshape(matrix, (matrix.shape[0], 1,matrix.shape[1]))
    
    aa_ctc_blank_aa_logits = tf.constant(matrix)
    sequence_length = tf.constant(np.array([len(matrix)], dtype=np.int32))

    (decoded_list,), log_probabilities = tf.nn.ctc_beam_search_decoder(inputs=aa_ctc_blank_aa_logits,
                                              sequence_length=sequence_length,
                                              merge_repeated=True,
                                              top_paths=1,
                                              beam_width=1)

    out = list(tf.Session().run(tf.sparse_tensor_to_dense(decoded_list)[0]))
    print("Output int list")
    print(out)
    seq_list = get_seq_from_list(out, classes)
    
    return seq_list

def get_seq_from_list(int_list, classes):
    out_list = []
    for i in range(0, len(int_list)):        
        out_list.append(classes[int_list[i]])
        
    return out_list

if __name__ == '__main__':

    mat = np.load('../npy_files/a1003.npy')
    classes = Classes.get_classes()
    
    print("-------Greedy---------")
    actual = decode_ctcgreedy(mat, classes)
    print(actual)    
    
    print("\n-------Beam Search----------")
    actual = decode_ctcBeam(mat, classes)
    print(actual)