viterbi过程
1.hmm类似。 状态转移,发射概率
2.逐次计算每个序列节点的所有状态下的概率值,最大概率值对应的index。
3.概率值的计算,上一个节点的概率值*转移概率+当前概率值。
4.最后取出最大的一个值对应的indexes
难点: 理解viterbi的核心点,在于每个时间步都保留每一个可视状态,每一个可视状态保留上一个时间步的最大隐状态转移,
每一个时间步t记录上一个最大概率转移过来的时间步t-1的信息,包括index/概率值累积。
迭代完时间步,根据最后一个最大累积概率值,逐个往前找即可。 根据index对应的状态逐个往前找。
应用: 状态转移求解最佳转移路径。 只要连续时间步,每个时间步有状态分布,前后时间步之间有状态转移,就可以使用viterbi进行最佳状态转移计算求解。
状态转移矩阵的作用在于 在每个状态转移概率计算时,和固有的状态转移矩阵进行加和,再计算。相当于额外的概率添加。
import numpy as np
def viterbi_decode(score, transition_params):
"""
保留所有可视状态下,对seqlen中的每一步的所有可视状态情况下的中间状态求解概率最大值,如此
:param score:
:param transition_params:
:return:
"""
# score [seqlen,taglen] transition_params [taglen,taglen]
trellis=np.zeros_like(score)
trellis[0]=score[0]
backpointers=np.zeros_like(score,dtype=np.int32)
for t in range(1,len(score)):
matrix_node=np.expand_dims(trellis[t-1],axis=1)+transition_params #axis=0 代表发射概率初始状态
trellis[t]=score[t]+np.max(matrix_node,axis=0)
backpointers[t]=np.argmax(matrix_node,axis=0)
viterbi=[np.argmax(trellis[-1],axis=0)]
for backpointer in reversed(backpointers[1:]):
viterbi.append(backpointer[viterbi[-1]])
viterbi_score = np.max(trellis[-1])
viterbi.reverse()
print(trellis)
return viterbi,viterbi_score
def