torch.nn.functional.ctc_loss

torch.nn.functional.ctc_loss(log_probs, targets, input_lengths, target_lengths, blank=0, reduction='mean', zero_infinity=False) [source]

Потеря классификации временных последовательностей с использованием свёрточных нейронных сетей.

Подробности см. в CTCLoss.

Примечание

В некоторых случаях, при использовании тензоров на устройстве CUDA и CuDNN, этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, вы можете попытаться сделать операцию детерминированной (возможно, за счёт производительности) с помощью torch.backends.cudnn.deterministic = True. Дополнительная информация по этому вопросу представлена в Воспроизводимости.

Примечание

Этот оператор может генерировать недетерминированные градиенты при использовании тензоров на устройстве CUDA. Дополнительная информация по этому вопросу представлена в Воспроизводимости.

Параметры:

• log_probs (Тензор) – $(T, N, C)$ или $(T, C)$, где C = number of characters in alphabet including blank, T = input length, и N = batch size. Вероятности выходных данных в логарифмическом виде (например, полученные с помощью torch.nn.functional.log_softmax()).
• targets (Тензор) – $(N, S)$ или (sum(target_lengths)). Целевые значения не могут быть пустыми. Во втором формате целевые значения предполагаются конкатенированными.
• input_lengths (Тензор) – $(N)$ или $()$. Длины входных данных (должны быть каждый $\leq T$)
• target_lengths (Тензор) – $(N)$ или $()$. Длины целевых значений
• blank (int, необязательно) – Значение пустого символа. По умолчанию $0$.
• reduction (str, необязательно) – Указывает способ уменьшения выходного значения: 'none' | 'mean' | 'sum'. 'none': уменьшение не будет применено, 'mean': значения потерь будут разделены на длину целевых значений, а затем вычисляется среднее по пакету, 'sum': значения будут суммированы. По умолчанию: 'mean'
• zero_infinity (bool, необязательно) – Признак нулевых бесконечных потерь и связанных с ними градиентов. По умолчанию: False Бесконечные потери чаще всего возникают, когда входные данные слишком короткие для выравнивания с целевыми значениями.

Тип возвращаемого значения:

Тензор

Пример:

>>> log_probs = torch.randn(50, 16, 20).log_softmax(2).detach().requires_grad_()
>>> targets = torch.randint(1, 20, (16, 30), dtype=torch.long)
>>> input_lengths = torch.full((16,), 50, dtype=torch.long)
>>> target_lengths = torch.randint(10,30,(16,), dtype=torch.long)
>>> loss = F.ctc_loss(log_probs, targets, input_lengths, target_lengths)
>>> loss.backward()