crf_decoding
注意:该API仅支持【静态图】模式
paddle.fluid.layers.
crf_decoding
(input, param_attr, label=None, length=None)[源代码]
该层读取由 linear_chain_crf 学习的 emission feature weights(发射状态特征的权重)和 transition feature weights (转移特征的权重) 进行解码。 本层实现了 Viterbi 算法,可以动态地寻找隐藏状态最可能的序列,该序列也被称为 Viterbi 路径(Viterbi path),从而得到观察标签 (tags) 序列。
这个层运算的结果会随着输入 Label
的有无而改变:
Label
非 None 的情况,在实际训练中时常发生。此时本层会协同 chunk_eval 工作。在 LoDTensor 模式下,本层会返回一行形为 [N X 1] 的向量,在 padding 模式下,返回形状则为 [B x S],其中值为 0 的部分代表该 label 不适合作为对应结点的标注,值为1的部分则反之。此类型的输出可以直接作为 chunk_eval 算子的输入;- 当没有
Label
时,该函数会执行标准解码过程;
(没有 Label
时)该运算返回一个形状为 [N X 1] 或 [B x S] 的向量,此处的形状取决于输入是 LoDTensor 还是普通 Tensor,其中元素取值范围为 0 ~ 最大标注个数-1,分别为预测出的标注(tag)所在的索引。
- 参数:
- input (Variable) — 一个形为 [N x D] 的 LoDTensor,其中 N 是mini-batch的大小,D是标注(tag) 的总数; 或者形为 [B x S x D] 的普通 Tensor,B 是批次大小,S 是序列最大长度,D 是标注的总数。 该输入是 cn_api_fluid_layers_linear_chain_crf` 的 unscaled emission weight matrix (未标准化的发射权重矩阵)。数据类型为 float32 或者 float64。
- param_attr (ParamAttr,可选) :指定权重参数属性的对象。默认值为None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。
- label (Variable,可选) — 形为 [N x 1] 的正确标注(ground truth)(LoDTensor 模式),或者形状为 [B x S]。 有关该参数的更多信息,请详见上述描述。数据类型为 int64。
- length (Variable,可选) — 形状为 [B x 1], 表示输入序列的真实长度。该输入非 None,表示该层工作在 padding 模式下,即
input
和label
都是带 padding 的普通 Tensor。数据类型为 int64。
返回:解码结果具体内容根据 Label
参数是否提供而定,请参照上面的介绍来详细了解。
返回类型: Variable
代码示例
- import paddle.fluid as fluid
- images = fluid.layers.data(name='pixel', shape=[784], dtype='float32')
- label = fluid.layers.data(name='label', shape=[1], dtype='int32')
- hidden = fluid.layers.fc(input=images, size=2)
- crf = fluid.layers.linear_chain_crf(input=hidden, label=label,
- param_attr=fluid.ParamAttr(name="crfw"))
- crf_decode = fluid.layers.crf_decoding(input=hidden,
- param_attr=fluid.ParamAttr(name="crfw"))