TrainingHelper¶

class paddle.fluid.layers. TrainingHelper ( inputs, sequence_length, time_major=False ) [源代码] ¶

TrainingHelper是 DecodeHelper 的子类。作为解码helper，它在每个解码时间步通过在完整序列输入 inputs 的相应位置切片作为各步的输入，并且使用 argmax 根据 cell.call() 的输出进行采样。由于要求有完整的序列输入 inputs ，TrainingHelper主要用于以teach-forcing的方式进行最大似然训练，采样得到的内容通常不会使用。

参数¶

inputs (Variable) - 单个tensor变量或tensor变量组成的嵌套结构。当 time_major == False 时，tensor的形状应为 \([batch\_size, sequence\_length, ...]\)；当 time_major == True 时，tensor的形状应为 \([sequence\_length, batch\_size, ...]\)。在解码的每一步都要从中切片取出相应的数据。

sequence_length (Variable) - 形状为 \([batch\_size]\) 的tensor。它存储了 inputs 中每个样本的实际长度，可以据此来标识每个解码步中每个样本是否结束。

time_major (bool，可选) - 指示输入tensor和输出tensor中包含的tensor的数据组织。如果为False，则数据组织为batch为主，形状为 \([batch\_size，sequence\_length，...]\)。如果为True，则数据组织为time为主，形状为 \([sequence\_length，batch\_size，...]\)。默认值：False。

代码示例¶

          import paddle.fluid as fluid
import paddle.fluid.layers as layers
trg_emb = fluid.data(name="trg_emb",
                     shape=[None, None, 128],
                     dtype="float32")
trg_seq_length = fluid.data(name="trg_seq_length",
                            shape=[None],
                            dtype="int64")
helper = layers.TrainingHelper(trg_emb, trg_seq_length)
decoder_cell = layers.GRUCell(hidden_size=128)
decoder = layers.BasicDecoder(decoder_cell, helper)
outputs = layers.dynamic_decode(
    decoder,
    inits=decoder_cell.get_initial_states(trg_emb),
    is_test=False)

         

方法¶

initialize()¶

TrainingHelper初始化，其通过在完整序列输入 inputs 中首个时间步的位置上切片，以此作为第一个解码步的输入，并给出每个序列是否结束的初始标识。这是 BasicDecoder 初始化的一部分。

返回 (initial_inputs, initial_finished) 的二元组，initial_inputs 是单个tensor变量或tensor变量组成的嵌套结构，tensor的形状是 \([batch\_size, ...]\) 。 initial_finished 是一个bool类型且形状为 \([batch\_size]\) 的tensor。

返回类型 tuple

sample(time, outputs, states)¶

使用 argmax 根据 outputs 进行采样。由于使用完整序列中的切片作为下一解码步的输入，采样得到的内容通常不会使用。

参数

time (Variable) - 调用者提供的形状为[1]的tensor，表示当前解码的时间步长。其数据类型为int64。

outputs (Variable) - tensor变量，通常其数据类型为float32或float64，形状为 \([batch\_size, vocabulary\_size]\)，表示当前解码步预测产生的logit（未归一化的概率），和由 BasicDecoder.output_fn(BasicDecoder.cell.call()) 返回的 outputs 是同一内容。

states (Variable) - 单个tensor变量或tensor变量组成的嵌套结构，和由 BasicDecoder.cell.call() 返回的 new_states 是同一内容。

返回数据类型为int64形状为 \([batch\_size]\) 的tensor，表示采样得到的id。

返回类型 Variable

next_inputs(time, outputs, states, sample_ids)¶

从完整序列输入中当前时间步的位置上切片，以此作为产生下一解码步的输入；同时直接使用输入参数中的 states 作为下一解码步的状态；并比较当前时间与每个序列的大小，依此产生每个序列是否结束的标识。

参数

time (Variable) - 调用者提供的形状为[1]的tensor，表示当前解码的时间步长。其数据类型为int64。

outputs (Variable) - tensor变量，通常其数据类型为float32或float64，形状为 \([batch\_size, vocabulary\_size]\)，表示当前解码步预测产生的logit（未归一化的概率），和由 BasicDecoder.output_fn(BasicDecoder.cell.call()) 返回的 outputs 是同一内容。

states (Variable) - 单个tensor变量或tensor变量组成的嵌套结构，和由 BasicDecoder.cell.call() 返回的 new_states 是同一内容。

sample_ids (Variable) - 数据类型为int64形状为 \([batch\_size]\) 的tensor，和由 sample() 返回的 sample_ids 是同一内容。

返回: (finished, next_inputs, next_states) 的三元组。next_inputs, next_states 均是单个tensor变量或tensor变量组成的嵌套结构，tensor的形状是 \([batch\_size, ...]\) ， next_states 和输入参数中的 states 相同；finished 是一个bool类型且形状为 \([batch\_size]\) 的tensor。

返回类型 tuple