ctc网络输出解码

图 1 alpha矩阵大小
横坐标是声学特征，x1-x6一共有6帧语音，每一帧语音输出是一个v大小概率分布，v是token词典大小，现在假设token单位是字符，并且字典大小是三个字符，[%,c,a,t]，所以v的大小是4。
前向概率计算参数包括两点：

• 1.所有声学特征输出概率分布矩阵y
• 2 已插入空白符的label序列, 大小为L

y 每列分别是 blank c a t 对应概率

array([[0.17914049, 0.27980623, 0.26827714, 0.27277615],
       [0.23065626, 0.22605778, 0.26611104, 0.27717492],
       [0.1742262 , 0.26031537, 0.27538571, 0.29007271],
       [0.1955796 , 0.19450504, 0.28984316, 0.32007221],
       [0.20306928, 0.2225706 , 0.27792999, 0.29643014],
       [0.15339513, 0.24912987, 0.27953229, 0.3179427 ]])

label

labels = [0, 1, 0, 2, 0, 3, 0]  # 0 for blank id, 1 for 'c' id, 2 for 'a' id, 3 for 't' id

前向概率需要计算一个alpha矩阵， 大小刚好为图1所示大小的转置，
初始化大小为T*L为0矩阵 alpha = np.zeros([T, L])

下面还原前向概率计算方式

• T1时刻，第一帧语音输出对齐的token有两种可能，也就是label前两个token, 可能是空(blank)或者c, 所以
  alpha[0,0]= y[0, label[0]], # 空blank
  alpha[0,1] = y[0, label[1]] # c 字符
  对应代码为

    alpha[0, 0] = y[0, labels[0]]  #空的概率
    alpha[0, 1] = y[0, labels[1]] #c的概率

alpha值

array([[0.17914049, 0.27980623, 0.        , 0.        , 0.        ,
        0.        , 0.        ],
       [0.        , 0