简介
在语音识别中,我们的数据集是音频文件和其对应的文本,不幸的是,音频文件和文本很难再单词的单位上对齐。除了语言识别,在 OCR,机器翻译中,都存在类似的 Sequence to Sequence 结构,同样也需要在预处理操作时进行对齐,但是这种对齐有时候是非常困难的。如果不使用对齐而直接训练模型时,由于人的语速的不同,或者字符间距离的不同,导致模型很难收敛。
CTC(Connectionist Temporal Classification)是一种避开输入与输出手动对齐的一种方式,是非常适合语音识别或者 OCR 这种应用的。
给定输入序列 以及对应的标签数据 ,例如语音识别中的音频文件和文本文件。我们的工作是找到 到 的一个映射,这种对时序数据进行分类的算法叫做 Temporal Classification。
对比传统的分类方法,时序分类有如下难点:
- 和 的长度都是变化的;
- 和 的长度是不相等的;
- 对于一个端到端的模型,我们并不希望手动设计 和 的之间的对齐。
CTC 提供了解决方案,对于一个给定的输入序列 ,CTC 给出所有可能的 的输出分布。根据这个分布,我们可以输出最可能的结果或者给出某个输出的概率。
损失函数:给定输入序列 ,我们希望最大化 的后验概率 , 应该是可导的,这样我们能执行梯度下降算法;
测试:给定一个训练好的模型和输入序列 ,我们希望输出概率最高的 :
当然,在测试时,我们希望 能够尽快的被搜索到。
算法详解
给定输入 ,CTC 输出每个可能输出及其条件概率。问题的关键是 CTC 的输出概率是如何考虑 和 之间的对齐的,这种对齐也是构建损失函数的基础。所以,首先我们分析 CTC 的对齐方式,然后我们在分析 CTC 的损失函数的构造。
1.1 对齐
需要注意的是,CTC 本身是不需要对齐的,但是我们需要知道 的输出路径和最终输出结果的对应关系,因为在 CTC 中,多个输出路径可能对应一个输出结果,举例来理解。例如在 OCR 的任务中,输入 是含有“CAT”的图片,输出 是文本[C, A, T]。将 分割成若干个时间片,每个时间片得到一个输出,一个最简答的解决方案是合并连续重复出现的字母,如图 2.
这个问题有两个缺点:
- 几乎不可能将 的每个时间片都和输出 Y 对应上,例如 OCR 中字符的间隔,语音识别中的停顿;
- 不能处理有连续重复字符出现的情况,例如单词“HELLO”,按照上面的算法,输出的是“HELO”而非“HELLO”。
为了解决上面的问题,CTC 引入了空白字符 ,例如 OCR 中的字符间距,语音识别中的停顿均表示为 。所以,CTC 的对齐涉及去除重复字母和去除 两部分,如图 3。
这种对齐方式有三个特征:
- 与 之间的时间片映射是单调的,即如果 向前移动一个时间片, 保持不动或者也向前移动一个时间片;
- 与 之间的映射是多对一的,即多个输出可能对应一个映射,反之则不成立,所以也有了特征 3;
- 的长度大于等于 的长度。
1.2 损失函数
CTC 的时间片的输出和输出序列的映射如图 4:
也就是说,对应标签 ,其关于输入 的后验概率可以表示为所有映射为 的路径之和,我们的目标就是最大化 关于 的后验概率 。假设每个时间片的输出是相互独立的,则路径的后验概率是每个时间片概率的累积,公式及其详细含义如图 5。
上面的 CTC 算法存在性能问题,对于一个时间片长度为 的 分类任务,所有可能的路径数为 ,在很多情况下,这几乎是一个宇宙级别的数字,用于计算 Loss 几乎是不现实的。在 CTC 中采用了动态规划的思想来对查找路径进行剪枝,算法的核心思想是如果路径 和路径 在时间片 之前的输出均相等,我们就可以提前合并他们,如图 6。
其中,横轴的单位是 的时间片,纵轴的单位是 插入 的序列 。例如对于单词“ZOO”,插入 后为:
我们用 表示路径中已经合并的在横轴单位为 ,纵轴单位为 的节点。根据 CTC 的对齐方式的三个特征,输入有 9 个时间片,标签内容是“ZOO”, 的所有可能的合法路径如下图
上图分成两种情况
Case 1:
如果 , 则 只能由前一个空格 或者其本身 得到,如果 不等于 ,但是 为连续字符的第二个,即 ,则 只能由前一个空格 或者其本身 得到,而不能由前一个字符得到,因为这样做会将连续两个相同的字符合并成一个。 表示在时刻 t 输出字符 的概率。
Case 2:
如果 不等于 ,则 可以由 , 以及 得来,可以表示为:
从图 7 中我们可以看到,合法路径有两个起始点,合法路径的概率 是两个 final nodes 的概率之和。
现在,我们已经可以高效的计算损失函数,下一步的工作便是计算梯度用于训练模型。由于 的计算只涉及加法和乘法,因此其一定是可导函数,进而我们可以使用 SGD 优化模型。
对于数据集 ,模型的优化目标是最小化负对数似然
1.3 预测
当我们训练好一个 RNN 模型时,给定一个输入序列 ,我们需要找到最可能的输出,也就是求解
求解最可能的输出有两种方案,一种是 Greedy Search,第二种是 beam search
1.3.1 Greedy Search
每个时间片均取该时间片概率最高的节点作为输出:
这个方法最大的缺点是忽略了一个输出可能对应多个对齐方式.
1.3.2 Beam Search
Beam Search 是寻找全局最优值和 Greedy Search 在查找时间和模型精度的一个折中。一个简单的 beam search 在每个时间片计算所有可能假设的概率,并从中选出最高的几个作为一组。然后再从这组假设的基础上产生概率最高的几个作为一组假设,依次进行,直到达到最后一个时间片,下图是 beam search 的宽度为 3 的搜索过程,红线为选中的假设。
CTC 的特征
- 条件独立:CTC 的一个非常不合理的假设是其假设每个时间片都是相互独立的,这是一个非常不好的假设。在 OCR 或者语音识别中,各个时间片之间是含有一些语义信息的,所以如果能够在 CTC 中加入语言模型的话效果应该会有提升。
- 单调对齐:CTC 的另外一个约束是输入 与输出 之间的单调对齐,在 OCR 和语音识别中,这种约束是成立的。但是在一些场景中例如机器翻译,这个约束便无效了。
- 多对一映射:CTC 的又一个约束是输入序列 的长度大于标签数据 的长度,但是对于 的长度大于 的长度的场景,CTC 便失效了。
参考文献
[1] Connectionist Temporal Classification : Labelling Unsegmented Sequence Data with Recurrent Neural Networks. Graves, A., Fernandez, S., Gomez, F. and Schmidhuber, J., 2006. Proceedings of the 23rd international conference on Machine Learning, pp. 369–376. DOI: 10.1145/1143844.1143891
[2] Sequence Modeling with CTC. Hunnun, Awni, Distill, 2017