paddlespeech.s2t.modules.crf 模块

class paddlespeech.s2t.modules.crf.CRF(nb_labels: int, bos_tag_id: int, eos_tag_id: int, pad_tag_id: Optional[int] = None, batch_first: bool = True)

基础： Layer

线性链条件随机场 (CRF).

Args:

nb_labels (int): 标签集中标签的数量，包括特殊符号。
bos_tag_id (int): 表示句子开始符号的整数

你的标签集。

eos_tag_id (int): 整数，表示您的标签集中句子的结束符号。
pad_tag_id (int, optional): 整数，表示您标签集中的填充符号。

如果为None，模型将把PAD视为普通标签。否则，模型将对PAD转换施加约束。

batch_first (bool): 第一维是否表示批处理维度。

方法

__call__(*inputs, **kwargs)	将self作为一个函数调用。
add_parameter(name, parameter)	添加一个参数实例。
add_sublayer(name, sublayer)	添加一个子层实例。
apply(fn)	递归地将 fn 应用到每个子层（由 .sublayers() 返回）以及自身。
buffers([include_sublayers])	返回当前层及其子层中的所有缓冲区的列表。
children()	返回一个迭代器，遍历直接子层。
clear_gradients()	清除此层所有参数的梯度。
create_parameter(shape[, attr, dtype, ...])	为该层创建参数。
create_tensor([name, persistable, dtype])	为该层创建张量。
create_variable([name, persistable, dtype])	为该层创建张量。
decode(emissions[, mask])	使用维特比算法找到给定发射的最可能的标签序列。
eval()	将该层及其所有子层设置为评估模式。
extra_repr()	该层的额外表示，您可以自定义实现自己的层。
forward(emissions, tags[, mask])	计算负对数似然。
full_name()	此层的完整名称，由 name_scope + "/" + MyLayer.__class__.__name__ 组成
load_dict(state_dict[, use_structured_name])	从 state_dict 设置参数和可持久化缓存。
log_likelihood(emissions, tags[, mask])	计算给定一系列发射分数的标签序列的概率。
named_buffers([prefix, include_sublayers])	返回一个迭代器，遍历层中的所有缓冲区，生成名称和张量的元组。
named_children()	返回一个直接子层的迭代器，同时提供层的名称和层本身。
named_parameters([prefix, include_sublayers])	返回一个迭代器，遍历层中的所有参数，生成名称和参数的元组。
named_sublayers([prefix, include_self, ...])	返回Layer中所有子层的迭代器，生成名称和子层的元组。
parameters([include_sublayers])	返回当前层及其子层的所有参数的列表。
register_buffer(name, tensor[, persistable])	将一个张量注册为该层的缓冲区。
register_forward_post_hook(hook)	为层注册一个前向后钩子。
register_forward_pre_hook(hook)	为层注册一个前向预钩子。
set_dict(state_dict[, use_structured_name])	从 state_dict 设置参数和可持久化的缓冲区。
set_state_dict(state_dict[, use_structured_name])	从state_dict设置参数和持久化缓冲区。
state_dict([destination, include_sublayers, ...])	获取当前层及其子层的所有参数和可持久化缓冲区。
sublayers([include_self])	返回子层的列表。
to([device, dtype, blocking])	通过给定的设备、数据类型和阻塞方式转换层的参数和缓冲区。
to_static_state_dict([destination, ...])	获取当前层及其子层的所有参数和缓冲区。
train()	将此层及其所有子层设置为训练模式。

向后
初始化权重
注册状态字典钩子

decode(emissions, mask=None)

使用维特比算法找到给定排放的最可能标签序列。

Args:

emissions (paddle.Tensor): Sequence of emissions for each label.

如果 batch_first 为 True，形状为 (batch_size, seq_len, nb_labels)，否则为 (seq_len, batch_size, nb_labels)。

mask (paddle.FloatTensor, optional): Tensor representing valid positions.

如果为None，则所有位置被视为有效。 如果batch_first为True，则形状为(batch_size, seq_len)，否则为(seq_len, batch_size)。

Returns:

paddle.Tensor: the viterbi score for the for each batch.

形状为 (batch_size,)

列表的列表：每个批次的最佳维特比标签序列。 [B, T]

forward(emissions: Tensor, tags: Tensor, mask: Optional[Tensor] = None) → Tensor

计算负对数似然。参见 log_likelihood 方法。

init_weights()

log_likelihood(emissions, tags, mask=None)

计算给定一系列发射分数的标签序列的概率。

Args:

emissions (paddle.Tensor): Sequence of emissions for each label.

如果 batch_first 为 True，形状为 (batch_size, seq_len, nb_labels)，否则为 (seq_len, batch_size, nb_labels)。

tags (paddle.LongTensor): Sequence of labels.

如果 batch_first 为 True，则形状为 (batch_size, seq_len)，否则为 (seq_len, batch_size)。

mask (paddle.FloatTensor, optional): Tensor representing valid positions.

如果为 None，所有的位置都被视为有效。
当 batch_first 为 True 时形状为 (batch_size, seq_len)，否则为 (seq_len, batch_size)。

Returns:

paddle.Tensor: sum of the log-likelihoods for each sequence in the batch.

形状 ()