比较与tf.nn.ctc_loss的差异
tf.nn.ctc_loss
tf.nn.ctc_loss(
labels,
logits,
label_length,
logit_length,
logits_time_major=True,
unique=None,
blank_index=None,
name=None
) -> Tensor
更多内容详见tf.nn.ctc_loss。
mindspore.ops.CTCLoss
class mindspore.ops.CTCLoss(
preprocess_collapse_repeated=False,
ctc_merge_repeated=True,
ignore_longer_outputs_than_inputs=False
)(x, labels_indices, labels_values, sequence_length) -> (Tensor, Tensor)
更多内容详见mindspore.ops.CTCLoss。
差异对比
TensorFlow:计算连续时间序列和目标序列之间的损失。并且只返回一个和label_length
形状一致的loss
。
MindSpore:MindSpore此API实现功能与TensorFlow基本一致,返回loss
及其梯度
。
分类 |
子类 |
TensorFlow |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
labels |
labels_values |
功能一致,参数名称不同,但是在MindSpore中秩必须为1 |
参数2 |
logits |
x |
功能一致,参数名称不同 |
|
参数3 |
label_length |
sequence_length |
功能一致,参数名称不同 |
|
参数4 |
logit_length |
- |
MindSpore无此参数 |
|
参数5 |
logits_time_major |
- |
控制logits的排布方式,MindSpore无此参数 |
|
参数6 |
unique |
- |
MindSpore无此参数 |
|
参数7 |
blank_index |
- |
MindSpore无此参数,为-1时,blank用num_classes-1表示,此时与MindSpore一致 |
|
参数8 |
name |
- |
不涉及 |
|
参数9 |
- |
preprocess_collapse_repeated |
在CTC计算之前将折叠重复标签,TensorFlow无此参数 |
|
参数10 |
- |
ctc_merge_repeated |
是否合并非空白标签,TensorFlow无此参数 |
|
参数11 |
- |
ignore_longer_outputs_than_inputs |
是否忽略输出比输入长的序列,TensorFlow无此参数 |
|
参数12 |
- |
labels_indices |
labels_indices[i, :] = [b, t] 表示 labels_values[i] 存储 (batch b, time t) 的ID,保证了labels_values的秩为1 |
代码示例
功能一致
# TensorFlow
import tensorflow as tf
import numpy as np
label = tf.Variable([[0],
[1]])
logits = tf.constant(np.array([[[0.56352055, -0.24474338, -0.29601783],[0.8030011, -1.2187808, -0.6991761]],[[-0.81990826, -0.3598757, 0.50144005],[-1.0980303, 0.60394925, 0.3771529]]]), dtype=tf.float32)
label_length = tf.Variable(np.array([1, 1]))
logits_length = tf.Variable(np.array([2, 2]))
loss = tf.nn.ctc_loss(label, logits, label_length=label_length, logit_length=logits_length)
print(loss.numpy().shape)
# (2,)
# MindSpore
import mindspore
from mindspore import Tensor, ops
import numpy as np
x = Tensor(np.array([[[0.56352055, -0.24474338, -0.29601783], [0.8030011, -1.2187808, -0.6991761]], [[-0.81990826, -0.3598757, 0.50144005], [-1.0980303, 0.60394925, 0.3771529]]]).astype(np.float32))
labels_indices = Tensor(np.array([[0, 1], [1, 1]]), mindspore.int64)
labels_values = Tensor(np.array([0, 1]), mindspore.int32)
sequence_length = Tensor(np.array([2, 2]), mindspore.int32)
ctc_loss = ops.CTCLoss()
loss, gradient = ctc_loss(x, labels_indices, labels_values, sequence_length)
print(loss.shape)
# (2,)