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。

PR

小问题,全程线上修改...

一键搞定!

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.NoRepeatNGram

查看源文件
class mindspore.ops.NoRepeatNGram(ngram_size=1)[源代码]

n-grams出现重复,则更新对应n-gram词序列出现的概率。

在beam search过程中,如果连续的 ngram_size 个词存在已生成的词序列中,那么之后预测时,将避免再次出现这连续的 ngram_size 个词。例如:当 ngram_size 为3时,已生成的词序列为[1,2,3,2,3],则下一个预测的词不会为2,并且 log_probs 的值将替换成负FLOAT_MAX。因为连续的3个词2,3,2不会在词序列中出现两次。

参数:
  • ngram_size (int) - 指定n-gram的长度,必须大于0。默认值: 1

输入:
  • state_seq (Tensor) - n-gram词序列。是一个三维Tensor,其shape为: (batch_size,beam_width,m)

  • log_probs (Tensor) - n-gram词序列对应出现的概率,是一个三维Tensor,其shape为: (batch_size,beam_width,vocab_size) 。当n-gram重复时,log_probs的值将被负FLOAT_MAX替换。

输出:
  • log_probs (Tensor) - 数据类型和shape与输入 log_probs 相同。

异常:
  • TypeError - 如果 ngram_size 不是int。

  • TypeError - 如果 state_seqlog_probs 不是Tensor。

  • TypeError - 如果 state_seq 的数据类型不是int。

  • TypeError - 如果 log_probs 的数据类型不是float。

  • ValueError - 如果 ngram_size 小于0。

  • ValueError - 如果 ngram_size 大于m。

  • ValueError - 如果 state_seqlog_probs 不是三维的Tensor。

  • ValueError - 如果 state_seqlog_probs 的batch_size不相等。

  • ValueError - 如果 state_seqlog_probs 的beam_width不相等。

支持平台:

Ascend GPU CPU

样例:

>>> import mindspore
>>> from mindspore import Tensor, ops
>>> no_repeat_ngram = ops.NoRepeatNGram(ngram_size=3)
>>> state_seq = Tensor([[[1, 2, 1, 2, 5, 1, 2],
...                      [9, 3, 9, 5, 4, 1, 5]],
...                     [[4, 8, 6, 4, 5, 6, 4],
...                      [4, 8, 8, 4, 3, 4, 8]]], dtype=mindspore.int32)
>>> log_probs = Tensor([[[0.7, 0.8, 0.6, 0.9, 0.2, 0.8, 0.4, 0.6, 0.2, 0.7],
...                      [0.4, 0.5, 0.6, 0.7, 0.8, 0.1, 0.9, 0.8, 0.7, 0.1]],
...                     [[0.9, 0.7, 0.6, 0.3, 0.5, 0.3, 0.5, 0.4, 0.8, 0.6],
...                      [0.5, 0.8, 0.8, 0.7, 0.7, 0.8, 0.2, 0.7, 0.9, 0.7]]], dtype=mindspore.float32)
>>> output = no_repeat_ngram(state_seq, log_probs)
>>> print(output)
[[[ 6.9999999e-01 -3.4028235e+38  6.0000002e-01  8.9999998e-01
    2.0000000e-01 -3.4028235e+38  4.0000001e-01  6.0000002e-01
    2.0000000e-01  6.9999999e-01]
  [ 4.0000001e-01  5.0000000e-01  6.0000002e-01  6.9999999e-01
    8.0000001e-01  1.0000000e-01  8.9999998e-01  8.0000001e-01
    6.9999999e-01  1.0000000e-01]]
 [[ 8.9999998e-01  6.9999999e-01  6.0000002e-01  3.0000001e-01
    5.0000000e-01 -3.4028235e+38  5.0000000e-01  4.0000001e-01
    8.0000001e-01  6.0000002e-01]
  [ 5.0000000e-01  8.0000001e-01  8.0000001e-01  6.9999999e-01
    6.9999999e-01  8.0000001e-01  2.0000000e-01  6.9999999e-01
   -3.4028235e+38  6.9999999e-01]]]