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 Connectionist Temporal Classification.

См. CTCLoss для подробностей.

Примечание

В некоторых случаях, при работе с тензорами на устройстве CUDA и использовании CuDNN, этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, можно попытаться сделать операцию детерминированной (возможно, с потерей производительности) путем установки torch.backends.cudnn.deterministic = True. См. Воспроизводимость для получения дополнительной информации.

Примечание

Этот оператор может производить недетерминированные градиенты при работе с тензорами на устройстве CUDA. См. Воспроизводимость для получения дополнительной информации.

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 выходов (например, полученные с помощью torch.nn.functional.log_softmax()).
• targets (Тензор) – $(N, S)$ или (sum(target_lengths)). Цели не могут быть пустыми. Во втором варианте предполагается, что цели конкатенированы.
• input_lengths (Тензор) – $(N)$ или $()$. Длины входов (должны быть каждый $\leq T$)
• target_lengths (Тензор) – $(N)$ или $()$. Длины целей
• blank (int, необязательно) – Пустой метка. По умолчанию $0$.
• reduction (str, необязательно) – Указывает на применение сокращения к выходу: 'none' | 'mean' | 'sum'. 'none': не будет применено сокращение, 'mean': значения потерь вывода будут разделены на длины целей, а затем вычисляется среднее значение по пакету, 'sum': значение вывода будет суммировано. По умолчанию: 'mean'
• zero_infinity (bool, необязательно) – Нужно ли обнулять бесконечные потери и связанные с ними градиенты. По умолчанию: False Бесконечные потери в основном возникают, когда входы слишком короткие для выравнивания с целями.

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()