0

我想用 Tensorflow 实现一个带有 CTC 损失的语音识别器。输入特征具有可变长度，因为每个语音话语都可以具有可变长度。标签也具有可变长度，因为每个转录是不同的。我手动填充特征来创建批次，在我的模型中我有 tf.keras.layers.Masking() 层来创建和传播掩码通过网络。我还创建了带有填充的标签批次。

这是一个虚拟示例。假设我有两个长度分别为 3 帧和 5 帧的话语。每帧由一个特征表示（通常这将是 13 个 MFCC，但我将其减少到一个以保持简单）。因此，为了创建批处理，我在最后用 0 填充简短的话语：

features = np.array([1.5 2.3 4.6 0.0 0.0],
                    [1.7 2.6 3.4 2.3 1.0])

标签是这些话语的转录。假设长度分别为 2 和 3。标签批形状将为 [2, 3, 26]，其中批大小为 2，最大长度为 3，英文字符数为 26（单热编码）。

型号为：

input_ = tf.keras.Input(shape=(None,1))
x = tf.keras.layers.Masking()(input_)
x = tf.keras.layers.GRU(26, return_sequences=True)(input_)
output_ = tf.keras.layers.Softmax(axis=-1)(x)
model = tf.keras.Model(input_,output_)

损失函数类似于：

def ctc_loss(y_true, y_pred):
   # Do something here to get logit_length and label_length?
   # ...
   loss = tf.keras.backend.ctc_batch_cost(y_true,y_pred,logit_length,label_length)

我的问题是如何获得 logit_length 和 label_length。我会假设 logit_length 是在掩码中编码的，但是如果我执行 y_pred._keras_mask，则结果为 None。对于 label_length，信息在张量本身中，但我不确定获取它的最有效方式。

谢谢。

更新：

按照Tou You的回答，我使用tf.math.count_nonzero来获取label_length，并将logit_length设置为logit层的长度。

所以损失函数内部的形状是（batch size = 10）：

y_true.shape = (10, None)
y_pred.shape = (10, None, 27)
label_length.shape = (10,1)
logit_lenght.shape = (10,1)

当然 y_true 和 y_pred 的 'None' 是不一样的，因为一个是批次的最大字符串长度，另一个是批次的最大时间帧数。但是，当我使用这些参数调用 model.fit() 和 loss tf.keras.backend.ctc_batch_cost() 时，我收到错误：

Traceback (most recent call last):
  File "train.py", line 164, in <module>
    model.fit(dataset, batch_size=batch_size, epochs=10)
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/keras/engine/training.py", line 66, in _method_wrapper
    return method(self, *args, **kwargs)
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/keras/engine/training.py", line 848, in fit
    tmp_logs = train_function(iterator)
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/def_function.py", line 580, in __call__
    result = self._call(*args, **kwds)
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/def_function.py", line 644, in _call
    return self._stateless_fn(*args, **kwds)
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 2420, in __call__
    return graph_function._filtered_call(args, kwargs)  # pylint: disable=protected-access
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 1661, in _filtered_call
    return self._call_flat(
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 1745, in _call_flat
    return self._build_call_outputs(self._inference_function.call(
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/function.py", line 593, in call
    outputs = execute.execute(
  File "/home/pablo/miniconda3/envs/lightvoice/lib/python3.8/site-packages/tensorflow/python/eager/execute.py", line 59, in quick_execute
    tensors = pywrap_tfe.TFE_Py_Execute(ctx._handle, device_name, op_name,
tensorflow.python.framework.errors_impl.InvalidArgumentError: 2 root error(s) found.
  (0) Invalid argument:  Incompatible shapes: [10,92] vs. [10,876]
         [[node Equal (defined at train.py:164) ]]
  (1) Invalid argument:  Incompatible shapes: [10,92] vs. [10,876]
         [[node Equal (defined at train.py:164) ]]
         [[ctc_loss/Log/_62]]
0 successful operations.
0 derived errors ignored. [Op:__inference_train_function_3156]

Function call stack:
train_function -> train_function

看起来它在抱怨 y_true (92) 的长度与 y_pred (876) 的长度不同，我认为这不应该。我错过了什么？

4

1 回答 1

0

至少对于 Tensorflow 的最后一个版本（2.2 及更高版本），Softmax 层支持屏蔽，屏蔽值的输出不是零，而是 tf 只是重复前面的值。

features = np.array([[1.5, 2.3 ,4.6, 0.0 ,0.0],
                [1.7, 2.6, 3.4 ,2.3 ,1.0]])

input_ = tf.keras.Input(shape=(None,1))
x = tf.keras.layers.Masking()(input_)

x = tf.keras.layers.GRU(2, return_sequences=True)(x)

output_ = tf.keras.layers.Softmax(axis=-1)(x)

model = tf.keras.Model(input_,output_)

r = model(features)
print(r)

第一个样本的输出具有与掩码相对应的重复值：

<tf.Tensor: shape=(2, 5, 2), dtype=float32, numpy=array([[[0.53308547, 0.46691453],
    [0.5477166 , 0.45228338],
    [0.55216545, 0.44783455],
    [0.55216545, 0.44783455],
    [0.55216545, 0.44783455]],

   [[0.532052  , 0.46794805],
    [0.54557794, 0.454422  ],
    [0.55263203, 0.44736794],
    [0.56076777, 0.4392322 ],
    [0.5722393 , 0.42776066]]], dtype=float32)>

为了获得序列的非掩码值（ label_length ），我正在使用 tf. 版本== 2.2 对我有用：

get_mask = r._keras_mask

您可以从 get_mask 张量值中提取 label_length ：

   <tf.Tensor: shape=(2, 5), dtype=bool, numpy=array([[ True,  
    True,  True, False, False],
   [ True,  True,  True,  True,  True]])>

或者您可以通过计算张量 y_true 中不为零的值来获得 label_length：

label_length = tf.math.count_nonzero(y_true, axis=-1, keepdims=True)

对于 logit_length 的值，我看到的所有实现都只是返回 time_step 的长度，所以 logit_length 可以是：

logit_length = tf.ones(shape = (your_batch_size ,1 ) * time_step

或者您可以使用掩码张量来获取未掩码的 time_step ：

logit_length = tf.reshape(tf.reduce_sum( 
        tf.cast(y_pred._keras_mask,tf.float32),axis=1),(your_batch_size,-1) )

这是一个完整的例子：

features = np.array([[1.5, 2.3 ,4.6, 0.0 ,0.0],
                [1.5, 2.3 ,4.6, 2.0 ,1.0]]).reshape(2,5,1)  
labels = np.array([[1., 2. ,3., 0. ,0.],
               [1., 2. ,3., 2. ,1.]]).reshape(2,5 ) 

input_ = tf.keras.Input(shape=(5,1))
x = tf.keras.layers.Masking()(input_)
x = tf.keras.layers.GRU(5, return_sequences=True)(x)# 5 is the number of classes + blank .(in your case == 26 + 1)
output_ =  tf.keras.layers.Softmax(axis = -1)(x) 

model = tf.keras.Model(input_,output_)


def ctc_loss(y_true, y_pred):

  label_length = tf.math.count_nonzero(y_true, axis=-1, keepdims=True) 
  logit_length = tf.reshape(tf.reduce_sum(
                 tf.cast(y_pred._keras_mask,tf.float32),axis=1),(2,-1) ) 
                      
  loss =tf.keras.backend.ctc_batch_cost(y_true,y_pred,logit_length,
                  label_length)
  return  tf.reduce_mean(loss)

model.compile(loss =ctc_loss , optimizer = 'adam')
model.fit(features , labels ,epoch = 10)
于 2020-10-13T11:15:02.777 回答