python - 了解Keras中语音识别的CTC丢失

我试图了解CTC丢失如何用于语音识别，以及如何在Keras中实现它。

我认为我了解的内容(如果我错了，请指正!)

总的来说，CTC损失被添加到经典网络的顶部，以便逐个元素地解码顺序的信息元素(文本或语音的逐个字母的字母)，而不是直接对元素块直接解码(例如，一个单词)。

假设我们正在以MFCC的形式提供某些句子的发音。

使用CTC损失的目的是学习如何使每个字母在每个时间步都与MFCC相匹配。因此，Dense + softmax输出层由与组成句子所需的元素数量一样多的神经元组成:

字母(a，b，...，z)

空白 token (-)

空格(_)和结束字符(>)

然后，softmax层具有29个神经元(26个为字母+一些特殊字符)。

为了实现它，我发现我可以做这样的事情:

# CTC implementation from Keras example found at https://github.com/keras-
# team/keras/blob/master/examples/image_ocr.py

def ctc_lambda_func(args):
    y_pred, labels, input_length, label_length = args
    # the 2 is critical here since the first couple outputs of the RNN
    # tend to be garbage:
    # print "y_pred_shape: ", y_pred.shape
    y_pred = y_pred[:, 2:, :]
    # print "y_pred_shape: ", y_pred.shape
    return K.ctc_batch_cost(labels, y_pred, input_length, label_length)



input_data = Input(shape=(1000, 20))
#let's say each MFCC is (1000 timestamps x 20 features)

x = Bidirectional(lstm(...,return_sequences=True))(input_data)

x = Bidirectional(lstm(...,return_sequences=True))(x)

y_pred = TimeDistributed(Dense(units=ALPHABET_LENGTH, activation='softmax'))(x)

loss_out = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,))(
                  [y_pred, y_true, input_length, label_length])

model = Model(inputs=[input_data, y_true, input_length,label_length],
                      outputs=loss_out)

使用ALPHABET_LENGTH = 29(字母长度+特殊字符)

和:

y_true :包含真值标签的张量(样本，max_string_length)。

y_pred :包含预测或softmax输出的张量(样本，time_steps，num_categories)。

input_length :张量(样本，1)，包含y_pred中每个批处理项目的序列长度。

label_length :张量(样本，1)，包含y_true中每个批处理项目的序列长度。

(source)

现在，我面临一些问题:

我不了解的内容

这是编写和使用CTC损失的正确方法吗？

我不明白具体是什么 y_true ， input_length 和
label_length 。有什么例子吗？

我应该以哪种形式给网络标签？再次，有什么例子吗？

最佳答案

这些是什么？

y_true您的地面真实数据。您将要在训练中将要与模型输出进行比较的数据。 (另一方面，y_pred是模型的计算输出)

input_length，y_pred张量(如here)中每个样本(句子)的长度(分步，或在这种情况下为chars)

label_length，即y_true(或标签)张量中每个样本(句子)的长度(分步，在此情况下为char)。

似乎这种损失期望您模型的输出(y_pred)具有不同的长度，以及地面真实数据(y_true)。这可能是为了避免在句子结束后计算垃圾字符的损失(因为您需要固定大小的张量才能一次处理大量句子)

标签形式:

由于函数的文档要求提供(samples, length)的形状，因此格式为...每个句子中每个char的char索引。

如何使用呢？

有一些可能性。

1-如果您不在乎长度:

如果所有长度都相同，则可以轻松地将其用作常规损失:

def ctc_loss(y_true, y_pred):

    return K.ctc_batch_cost(y_true, y_pred, input_length, label_length)
    #where input_length and label_length are constants you created previously
    #the easiest way here is to have a fixed batch size in training
    #the lengths should have the same batch size (see shapes in the link for ctc_cost)

model.compile(loss=ctc_loss, ...)

#here is how you pass the labels for training
model.fit(input_data_X_train, ground_truth_data_Y_train, ....)

2-如果您在乎长度。

这有点复杂，您需要模型以某种方式告诉您每个输出语句的长度。
再次有几种创造性的形式可以做到这一点:

拥有一个“end_of_sentence”字符，并检测其在句子中的位置。

有模型的一个分支来计算此数字并将其四舍五入为整数。

(Hardcore)如果您使用有状态的手动训练循环，请获取您决定完成一个句子的迭代的索引

我喜欢第一个想法，这里将举例说明。

def ctc_find_eos(y_true, y_pred):

    #convert y_pred from one-hot to label indices
    y_pred_ind = K.argmax(y_pred, axis=-1)

    #to make sure y_pred has one end_of_sentence (to avoid errors)
    y_pred_end = K.concatenate([
                                  y_pred_ind[:,:-1],
                                  eos_index * K.ones_like(y_pred_ind[:,-1:])
                               ], axis = 1)

    #to make sure the first occurrence of the char is more important than subsequent ones
    occurrence_weights = K.arange(start = max_length, stop=0, dtype=K.floatx())

    #is eos?
    is_eos_true = K.cast_to_floatx(K.equal(y_true, eos_index))
    is_eos_pred = K.cast_to_floatx(K.equal(y_pred_end, eos_index))

    #lengths
    true_lengths = 1 + K.argmax(occurrence_weights * is_eos_true, axis=1)
    pred_lengths = 1 + K.argmax(occurrence_weights * is_eos_pred, axis=1)

    #reshape
    true_lengths = K.reshape(true_lengths, (-1,1))
    pred_lengths = K.reshape(pred_lengths, (-1,1))

    return K.ctc_batch_cost(y_true, y_pred, pred_lengths, true_lengths)

model.compile(loss=ctc_find_eos, ....)

如果使用其他选项，请使用模型分支来计算长度，将这些长度连接到输出的第一步或最后一步，并确保对基本事实数据中的真实长度进行相同的操作。然后，在损失函数中，仅需获取长度部分:

def ctc_concatenated_length(y_true, y_pred):

    #assuming you concatenated the length in the first step
    true_lengths = y_true[:,:1] #may need to cast to int
    y_true = y_true[:, 1:]

    #since y_pred uses one-hot, you will need to concatenate to full size of the last axis,
    #thus the 0 here
    pred_lengths = K.cast(y_pred[:, :1, 0], "int32")
    y_pred = y_pred[:, 1:]

    return K.ctc_batch_cost(y_true, y_pred, pred_lengths, true_lengths)