crf_decoding¶

paddle.static.nn. crf_decoding ( input, param_attr, label=None, length=None ) [源代码] ¶

该层读取由 linear_chain_crf 学习的 emission feature weights（发射状态特征的权重）和 transition feature weights (转移特征的权重) 进行解码。本层实现了 Viterbi 算法，可以动态地寻找隐藏状态最可能的序列，该序列也被称为 Viterbi 路径（Viterbi path），从而得到观察标签 (tags) 序列。

这个层运算的结果会随着输入 Label 的有无而改变：

Label 非 None 的情况，在实际训练中时常发生。此时本层会协同 cn_api_fluid_layers_chunk_eval 工作。在 LoDTensor 模式下，本层会返回一行形为 [N X 1] 的向量，在 padding 模式下，返回形状则为 [B x S]，其中值为 0 的部分代表该 label 不适合作为对应结点的标注，值为 1 的部分则反之。此类型的输出可以直接作为 cn_api_fluid_layers_chunk_eval 算子的输入；

当没有 Label 时，该函数会执行标准解码过程；

（没有 Label 时）该运算返回一个形状为 [N X 1] 或 [B x S] 的向量，此处的形状取决于输入是 LoDTensor 还是普通 Tensor，其中元素取值范围为 0 ~ 最大标注个数-1，分别为预测出的标注（tag）所在的索引。

参数¶

input (Tensor) — 一个形为 [N x D] 的 LoDTensor，其中 N 是 mini-batch 的大小，D 是标注（tag) 的总数；或者形为 [B x S x D] 的普通 Tensor，B 是批次大小，S 是序列最大长度，D 是标注的总数。该输入是 cn_api_fluid_layers_linear_chain_crf` 的 unscaled emission weight matrix （未标准化的发射权重矩阵）。数据类型为 float32 或者 float64。

param_attr (ParamAttr，可选)：指定权重参数属性的对象。默认值为 None，表示使用默认的权重参数属性。具体用法请参见 cn_api_guide_ParamAttr 。

label (Tensor，可选) — 形为 [N x 1] 的正确标注（ground truth）（LoDTensor 模式），或者形状为 [B x S]。有关该参数的更多信息，请详见上述描述。数据类型为 int64。

length (Tensor，可选) — 形状为 [B x 1]，表示输入序列的真实长度。该输入非 None，表示该层工作在 padding 模式下，即 input 和 label 都是带 padding 的普通 Tensor。数据类型为 int64。

返回¶

Tensor，解码结果具体内容根据 Label 参数是否提供而定，请参照上面的介绍来详细了解。

代码示例¶

          import paddle
paddle.enable_static()

# LoDTensor-based example
num_labels = 10
feature = paddle.static.data(name='word_emb', shape=[-1, 784], dtype='float32', lod_level=1)
label = paddle.static.data(name='label', shape=[-1, 1], dtype='int64', lod_level=1)
emission = paddle.static.nn.fc(feature, size=num_labels)

crf_cost = paddle.fluid.layers.linear_chain_crf(input=emission, label=label,
          param_attr=paddle.ParamAttr(name="crfw"))
crf_decode = paddle.static.nn.crf_decoding(input=emission,
          param_attr=paddle.ParamAttr(name="crfw"))

# Common tensor example
num_labels, max_len = 10, 20
feature = paddle.static.data(name='word_emb_pad', shape=[-1, max_len, 784], dtype='float32')
label = paddle.static.data(name='label_pad', shape=[-1, max_len, 1], dtype='int64')
length = paddle.static.data(name='length', shape=[-1, 1], dtype='int64')
emission = paddle.static.nn.fc(feature, size=num_labels,
                           num_flatten_dims=2)

crf_cost = paddle.fluid.layers.linear_chain_crf(input=emission, label=label, length=length,
          param_attr=paddle.ParamAttr(name="crfw_pad"))
crf_decode = paddle.static.nn.crf_decoding(input=emission, length=length,
          param_attr=paddle.ParamAttr(name="crfw_pad"))

         