torch.nn.functional.ctc_loss

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

应用连接主义时序分类损失。

详细内容请见 CTCLoss 。

注意

在某些情况下，当在 CUDA 设备上给定张量并使用 CuDNN 时，此运算符可能会选择非确定性算法以提高性能。如果这不可取，您可以尝试通过设置 torch.backends.cudnn.deterministic = True 来使操作确定性（可能以性能成本为代价）。有关更多信息，请参阅可重现性。

注意

当在 CUDA 设备上给定张量时，此操作可能会产生非确定性的梯度。有关更多信息，请参阅可重现性。

参数:

• log_probs (Tensor) – $(T, N, C)$ 或 $(T, C)$ 其中 C = 字母表中的字符数（包括空白），T = 输入长度，N = 批处理大小。输出（例如，通过 torch.nn.functional.log_softmax() 获得的）的对数概率。

• targets (Tensor) – $(N, S)$ 或 (sum(target_lengths))。目标不能为空白。在第二种形式中，假设目标已连接。

• 输入长度（Tensor）- $(N)$ 或 $()$ 。输入的长度（必须每个都是 $\leq T$ ）

• 目标长度（Tensor）- $(N)$ 或 $()$ 。目标的长度

• 空白（int，可选）- 空白标签。默认 $0$ 。

• reduction（str，可选）- 指定应用于输出的缩减方式： 'none' | 'mean' | 'sum' 。 'none' ：不应用缩减， 'mean' ：输出损失将除以目标长度，然后取批次的平均值， 'sum' ：输出将求和。默认： 'mean'

• zero_infinity（布尔型，可选）- 是否将无限损失及其相关梯度置零。默认值： False 无限损失主要发生在输入太短无法与目标对齐时。

返回类型:

张量

示例：

>>> 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()