torch.nn.functional.ctc_loss

torch.nn.functional.ctc_loss(log_probs, targets, input_lengths, target_lengths, blank=0, reduction='mean', zero_infinity=False)

應用 Connectionist Temporal Classification 損失。

有關詳細資訊，請參閱 CTCLoss。

注意

在某些情況下，當在 CUDA 裝置上提供張量並使用 CuDNN 時，此運算子可能會選擇一個非確定性的演算法來提高效能。如果這不是您想要的，您可以嘗試通過設定 torch.backends.cudnn.deterministic = True 使操作具有確定性（可能會犧牲效能）。更多資訊請參閱 再現性 (Reproducibility)。

注意

當在 CUDA 裝置上提供張量時，此操作可能會產生非確定性的梯度。更多資訊請參閱 再現性 (Reproducibility)。

參數

• log_probs (Tensor) – $(T, N, C)$ 或 $(T, C)$，其中 C = 字母表中字元的數量（包括空白），T = 輸入長度，以及 N = 批次大小。 輸出的對數機率（例如，使用 torch.nn.functional.log_softmax() 獲得）。

• targets (Tensor) – $(N, S)$ 或 (sum(target_lengths))。 目標不能為空白。 在第二種形式中，目標假設為串聯的。

• input_lengths (Tensor) – $(N)$ 或 $()$。 輸入的長度（必須都 $\leq T$）

• target_lengths (Tensor) – $(N)$ 或 $()$。 目標的長度

• blank (int, optional) – 空白標籤。 預設值 $0$。

• reduction (str, optional) – 指定應用於輸出的縮減方式： 'none' | 'mean' | 'sum'。 'none'：不應用縮減， 'mean'：輸出損失將除以目標長度，然後取批次的平均值， 'sum'：輸出將被加總。 預設值： 'mean'

• zero_infinity (bool, optional) – 是否將無窮大的損失和相關的梯度歸零。 預設值： False 當輸入太短而無法與目標對齊時，主要會發生無窮大的損失。

回傳型別

Tensor

範例

>>> log_probs = torch.randn(50, 16, 20).log_softmax(2).detach().requires_grad_()
>>> targets = torch.randint(1, 20, (16, 30), dtype=torch.long)
>>> input_lengths = torch.full((16,), 50, dtype=torch.long)
>>> target_lengths = torch.randint(10, 30, (16,), dtype=torch.long)
>>> loss = F.ctc_loss(log_probs, targets, input_lengths, target_lengths)
>>> loss.backward()