文档反馈

问题文档片段

问题文档片段包含公式时,显示为空格。

提交类型
issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型
规范和低错类

- 规范和低错类:

- 错别字或拼写错误,标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致,但不影响操作。

- 表述不通顺,但不影响理解。

- 版本号不匹配:如软件包名称、界面版本号。

易用性

- 易用性:

- 关键步骤错误或缺失,无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰,该分类、分项、分步骤的没有给出。

正确性

- 正确性:

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误,无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示:

- 对重要数据或系统存在风险的操作,缺少安全提示。

内容合规

- 内容合规:

- 违反法律法规,涉及政治、领土主权等敏感词。

- 内容侵权。

问题描述

请勾选同意隐私声明

mindspore.ops.ctc_greedy_decoder

mindspore.ops.ctc_greedy_decoder(inputs, sequence_length, merge_repeated=True)[源代码]

对输入中给定的logits执行贪婪解码。

参数:
  • inputs (Tensor) - shape: (max_time,batch_size,num_classes),数据类型必须是float32或者float64。num_classesnum_labels + 1 classes,其中 num_labels 表示实际标签的个数,空标签默认使用 num_classes - 1

  • sequence_length (Tensor) - shape: (batch_size,),数据类型必须是int32,并且Tensor中的数值必须小于等于 max_time

  • merge_repeated (bool) - True表示返回的结果中会合并重复的类。默认值为True。

返回:
  • decoded_indices (Tensor) - shape: (total_decoded_outputs,2),数据类型为int64。

  • decoded_values (Tensor) - shape: (total_decoded_outputs,),数据类型为int64。

  • decoded_shape (Tensor) - shape: (batch_size,max_decoded_length),数据类型为int64。

  • log_probability (Tensor) - shape: (batch_size,1),包含序列的对数概率,其数据类型与 inputs 保持一致。

异常:
  • TypeError - merge_repeated 不是一个布尔值。

  • ValueError - inputs 的shape长度不等于3。

  • ValueError - sequence_length 的shape长度不等于1。

  • ValueError - sequence_length 中的数值大于 max_time

支持平台:

Ascend CPU

样例:

>>> inputs = Tensor(np.array([[[0.6, 0.4, 0.2], [0.8, 0.6, 0.3]],
...                           [[0.0, 0.6, 0.0], [0.5, 0.4, 0.5]]]), mindspore.float32)
>>> sequence_length = Tensor(np.array([2, 2]), mindspore.int32)
>>> decoded_indices, decoded_values, decoded_shape, log_probability = ops.ctc_greedy_decoder(inputs,
...                                                                                          sequence_length)
>>> print(decoded_indices)
[[0 0]
 [0 1]
 [1 0]]
>>> print(decoded_values)
[0 1 0]
>>> print(decoded_shape)
[2 2]
>>> print(log_probability)
[[-1.2]
 [-1.3]]