CTCLoss

class torch.nn.CTCLoss(blank=0, reduction='mean', zero_infinity=False) [source]

Функция потерь Connectionist Temporal Classification.

Вычисляет потери между непрерывным (неразмеченным) временным рядом и целевой последовательностью. CTCLoss суммирует вероятности возможных выравниваний входных данных с целевой последовательностью, выдавая значение потерь, дифференцируемое по каждому узлу входных данных. Предполагается, что выравнивание входных данных с целевой последовательностью является отношением «многие к одному», что ограничивает длину целевой последовательности: она должна быть $\leq$ длины входных данных.

Параметры:

• blank (int, необязательно) – метка blank. Значение по умолчанию $0$.
• reduction (str, необязательно) – Задает способ сведения выходных данных: 'none' | 'mean' | 'sum'. 'none': сведение не применяется, 'mean': выходные потери делятся на длины целевых последовательностей, после чего вычисляется среднее по пакету, 'sum': выходные потери суммируются. Значение по умолчанию: 'mean'
• zero_infinity (bool, необязательно) – Следует ли обнулять бесконечные потери и соответствующие градиенты. Значение по умолчанию: False Бесконечные потери возникают главным образом, когда входные данные слишком коротки для выравнивания с целевыми последовательностями.

Форма:

• Log_probs: тензор размера $(T, N, C)$ или $(T, C)$, где $T = \text{input length}$, $N = \text{batch size}$, а $C = \text{number of classes (including blank)}$. Логарифмированные вероятности выходных данных (например, полученные с помощью torch.nn.functional.log_softmax()).
• Targets: тензор размера $(N, S)$ или $(\operatorname{sum}(\text{target\_lengths}))$, где $N = \text{batch size}$, а $S = \text{max target length, if shape is } (N, S)$. Представляет целевые последовательности. Каждый элемент целевой последовательности — это индекс класса. Индекс целевого класса не может быть равен blank (по умолчанию 0). В формате $(N, S)$ целевые последовательности дополняются до длины самой длинной последовательности и объединяются в пакет. В формате $(\operatorname{sum}(\text{target\_lengths}))$ предполагается, что целевые последовательности не дополнены и объединены в одномерный массив.
• Input_lengths: кортеж или тензор размера $(N)$ или $()$, где $N = \text{batch size}$. Представляет длины входных данных (каждая должна быть $\leq T$). Длина задается для каждой последовательности, чтобы применить маскирование при условии, что последовательности дополнены до одинаковой длины.
• Target_lengths: кортеж или тензор размера $(N)$ или $()$, где $N = \text{batch size}$. Представляет длины целевых последовательностей. Длина задается для каждой последовательности, чтобы применить маскирование при условии, что последовательности дополнены до одинаковой длины. Если форма целевых данных — $(N,S)$, то значения target_lengths фактически являются индексом остановки $s_n$ для каждой целевой последовательности, так что target_n = targets[n,0:s_n] для каждой целевой последовательности в пакете. Каждая длина должна быть $\leq S$ Если целевые данные заданы как одномерный тензор, представляющий собой конкатенацию отдельных целевых последовательностей, сумма значений target_lengths должна равняться общей длине тензора.
• Output: скаляр, если reduction равно 'mean' (по умолчанию) или 'sum'. Если reduction равно 'none', то форма результата — $(N)$ для пакетного входа или $()$ для входа без пакета, где $N = \text{batch size}$.

Примеры

>>> # Target are to be padded
>>> T = 50  # Input sequence length
>>> C = 20  # Number of classes (including blank)
>>> N = 16  # Batch size
>>> S = 30  # Target sequence length of longest target in batch (padding length)
>>> S_min = 10  # Minimum target length, for demonstration purposes
>>>
>>> # Initialize random batch of input vectors, for *size = (T,N,C)
>>> input = torch.randn(T, N, C).log_softmax(2).detach().requires_grad_()
>>>
>>> # Initialize random batch of targets (0 = blank, 1:C = classes)
>>> target = torch.randint(low=1, high=C, size=(N, S), dtype=torch.long)
>>>
>>> input_lengths = torch.full(size=(N,), fill_value=T, dtype=torch.long)
>>> target_lengths = torch.randint(
...     low=S_min,
...     high=S,
...     size=(N,),
...     dtype=torch.long,
... )
>>> ctc_loss = nn.CTCLoss()
>>> loss = ctc_loss(input, target, input_lengths, target_lengths)
>>> loss.backward()
>>>
>>>
>>> # Target are to be un-padded
>>> T = 50  # Input sequence length
>>> C = 20  # Number of classes (including blank)
>>> N = 16  # Batch size
>>>
>>> # Initialize random batch of input vectors, for *size = (T,N,C)
>>> input = torch.randn(T, N, C).log_softmax(2).detach().requires_grad_()
>>> input_lengths = torch.full(size=(N,), fill_value=T, dtype=torch.long)
>>>
>>> # Initialize random batch of targets (0 = blank, 1:C = classes)
>>> target_lengths = torch.randint(low=1, high=T, size=(N,), dtype=torch.long)
>>> target = torch.randint(
...     low=1,
...     high=C,
...     size=(sum(target_lengths),),
...     dtype=torch.long,
... )
>>> ctc_loss = nn.CTCLoss()
>>> loss = ctc_loss(input, target, input_lengths, target_lengths)
>>> loss.backward()
>>>
>>>
>>> # Target are to be un-padded and unbatched (effectively N=1)
>>> T = 50  # Input sequence length
>>> C = 20  # Number of classes (including blank)
>>>
>>> # Initialize random batch of input vectors, for *size = (T,C)
>>> input = torch.randn(T, C).log_softmax(1).detach().requires_grad_()
>>> input_lengths = torch.tensor(T, dtype=torch.long)
>>>
>>> # Initialize random batch of targets (0 = blank, 1:C = classes)
>>> target_lengths = torch.randint(low=1, high=T, size=(), dtype=torch.long)
>>> target = torch.randint(
...     low=1,
...     high=C,
...     size=(target_lengths,),
...     dtype=torch.long,
... )
>>> ctc_loss = nn.CTCLoss()
>>> loss = ctc_loss(input, target, input_lengths, target_lengths)
>>> loss.backward()

Ссылка:

A. Graves et al.: Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks: https://www.cs.toronto.edu/~graves/icml_2006.pdf

Примечание

Для использования CuDNN необходимо выполнить следующие условия: targets должен быть в конкатенированном формате, все input_lengths должны быть T. $blank=0$, target_lengths $\leq 256$, аргументы целочисленного типа должны иметь dtype torch.int32, а сам log_probs должен иметь dtype torch.float32.

В стандартной реализации используется dtype torch.long, который чаще встречается в PyTorch.

Примечание

В некоторых случаях при использовании бэкенда CUDA с CuDNN этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, можно попробовать сделать операцию детерминированной (возможно, ценой снижения производительности), задав torch.backends.cudnn.deterministic = True. Дополнительную информацию см. в примечаниях о воспроизводимости.

forward(log_probs, targets, input_lengths, target_lengths) [source]

Выполняет прямой проход.

Тип возвращаемого значения:

Tensor