了解 Keras 中语音识别的 CTC 损失

Question

我想了解 CTC 损失如何用于语音识别，以及如何在 Keras 中实现它。

我认为我明白了（如果我错了请纠正我！）

总的来说，CTC 损失被添加到经典网络之上，以便逐个元素地解码顺序信息元素（文本或语音的字母逐个字母）而不是直接解码元素块（例如单词).

假设我们将一些句子的发音作为 MFCC。

使用 CTC-loss 的目的是学习如何使每个字母在每个时间步都匹配 MFCC。因此，Dense+softmax输出层由与组成句子所需的元素数量一样多的神经元组成：

字母表（a、b、...、z）
一个空白标记 (-)
a space (_) 和结束符 (>)

然后，softmax 层有 29 个神经元（26 个用于字母表 + 一些特殊字符）。

为了实现它，我发现我可以这样做：

# CTC implementation from Keras example found at https://github.com/keras- 
# team/keras/blob/master/examples/image_ocr.py

def ctc_lambda_func(args):
    y_pred, labels, input_length, label_length = args
    # the 2 is critical here since the first couple outputs of the RNN
    # tend to be garbage:
    # print "y_pred_shape: ", y_pred.shape
    y_pred = y_pred[:, 2:, :]
    # print "y_pred_shape: ", y_pred.shape
    return K.ctc_batch_cost(labels, y_pred, input_length, label_length)



input_data = Input(shape=(1000, 20))
#let's say each MFCC is (1000 timestamps x 20 features)

x = Bidirectional(lstm(...,return_sequences=True))(input_data)

x = Bidirectional(lstm(...,return_sequences=True))(x)

y_pred = TimeDistributed(Dense(units=ALPHABET_LENGTH, activation='softmax'))(x)

loss_out = Lambda(function=ctc_lambda_func, name='ctc', output_shape=(1,))(
                  [y_pred, y_true, input_length, label_length])

model = Model(inputs=[input_data, y_true, input_length,label_length], 
                      outputs=loss_out)

With ALPHABET_LENGTH = 29（字母长度+特殊字符）

并且：

y_true：包含真值标签的张量（样本，max_string_length）。
y_pred：张量（样本，time_steps，num_categories）包含预测，或 softmax 的输出。
input_length：tensor(samples, 1)包含y_pred.
label_length：tensor(samples, 1)包含y_true.

(source)

现在，我遇到了一些问题：

我不明白的地方
- 这种植入是编码和使用 CTC 损失的正确方法吗？
- 具体什么是y_true、input_length和 label_length。有例子吗？
- 我应该以什么形式将标签提供给网络？再一次，有例子吗？

Answer 1

这些是什么？

y_true 您的地面实况数据。您要与模型在训练中的输出进行比较的数据。（另一方面，y_pred是模型的计算输出）
input_length，y_pred张量中每个样本（句子）的长度（以步长为单位，或在这种情况下为字符）
label_length，y_true（或标签）张量中每个样本（句子）的长度（以步长为单位，在本例中为字符）。

似乎这种损失预期您的模型输出 (y_pred) 具有不同的长度，以及您的地面实况数据 (y_true)。这可能是为了避免在句子结束后计算垃圾字符的损失（因为你需要一个固定大小的张量来一次处理很多句子）

标签形式：

由于函数的文档要求形状 (samples, length)，格式是...每个句子中每个字符的字符索引。

这个怎么用？

有一些可能性。

1- 如果您不关心长度：

如果所有的长度都一样，你可以很容易地把它当作常规损失：

def ctc_loss(y_true, y_pred):

    return K.ctc_batch_cost(y_true, y_pred, input_length, label_length)
    #where input_length and label_length are constants you created previously
    #the easiest way here is to have a fixed batch size in training 
    #the lengths should have the same batch size (see shapes in the link for ctc_cost)    

model.compile(loss=ctc_loss, ...)   

#here is how you pass the labels for training
model.fit(input_data_X_train, ground_truth_data_Y_train, ....)

2 - 如果您关心长度。

这有点复杂，你需要你的模型以某种方式告诉你每个输出句子的长度。
也有几种创造性的方式可以做到这一点：

有一个 "end_of_sentence" 字符并检测它在句子中的位置。
让你的模型的一个分支来计算这个数字并将它四舍五入为整数。
（硬核）如果你正在使用有状态的手动训练循环，获取你决定完成一个句子的迭代的索引

我喜欢第一个想法，并将在这里举例说明。

def ctc_find_eos(y_true, y_pred):

    #convert y_pred from one-hot to label indices
    y_pred_ind = K.argmax(y_pred, axis=-1)

    #to make sure y_pred has one end_of_sentence (to avoid errors)
    y_pred_end = K.concatenate([
                                  y_pred_ind[:,:-1], 
                                  eos_index * K.ones_like(y_pred_ind[:,-1:])
                               ], axis = 1)

    #to make sure the first occurrence of the char is more important than subsequent ones
    occurrence_weights = K.arange(start = max_length, stop=0, dtype=K.floatx())

    #is eos?
    is_eos_true = K.cast_to_floatx(K.equal(y_true, eos_index))
    is_eos_pred = K.cast_to_floatx(K.equal(y_pred_end, eos_index))

    #lengths
    true_lengths = 1 + K.argmax(occurrence_weights * is_eos_true, axis=1)
    pred_lengths = 1 + K.argmax(occurrence_weights * is_eos_pred, axis=1)

    #reshape
    true_lengths = K.reshape(true_lengths, (-1,1))
    pred_lengths = K.reshape(pred_lengths, (-1,1))

    return K.ctc_batch_cost(y_true, y_pred, pred_lengths, true_lengths)

model.compile(loss=ctc_find_eos, ....)

如果您使用其他选项，请使用模型分支计算长度，将这些长度连接到输出的第一步或最后一步，并确保您对地面实况数据中的真实长度执行相同的操作.然后，在损失函数中，取长度部分即可：

def ctc_concatenated_length(y_true, y_pred):

    #assuming you concatenated the length in the first step
    true_lengths = y_true[:,:1] #may need to cast to int
    y_true = y_true[:, 1:]

    #since y_pred uses one-hot, you will need to concatenate to full size of the last axis, 
    #thus the 0 here
    pred_lengths = K.cast(y_pred[:, :1, 0], "int32")
    y_pred = y_pred[:, 1:]

    return K.ctc_batch_cost(y_true, y_pred, pred_lengths, true_lengths)

了解 Keras 中语音识别的 CTC 损失

Understanding CTC loss for speech recognition in Keras

python

tensorflow

keras

deep-learning

ctc

这些是什么？

标签形式：

这个怎么用？

1- 如果您不关心长度：

2 - 如果您关心长度。