机器学习算法：tf.contrib.crf条件随机场

1. tf.contrib.crf.crf_log_likelihood(inputs, tag_indices, sequence_lengths, transition_params=None)
   函数的目的：使用crf 来计算损失，里面用到的优化方法是：最大似然估计，即在一个条件随机场里计算标签序列的log_likelihood
   参数解析：

inputs: [batch_size, max_seq_len, num_tags] ,一般使用BiLSTM处理之后输出转化为它要求的形状作为crf层的输入；
tag_indices: [batch_size, max_seq_len] 真实标签
sequence_lengths: [batch_size] 表示每个序列的长度
transition_params: [num_tags, num_tags]转移矩阵

返回：

log_likelihood: 标量，log_likelihood
transition_params:[num_tags, num_tags]转移矩阵

2. tf.contrib.crf.crf_decode(potentials, transition_params, sequence_length)
   在tensorflow内解码
   参数解析：

potentials: 一个形状为[batch_size, max_seq_len, num_tags] 的tensor,
transition_params: 一个形状为[num_tags, num_tags] 的转移矩阵
sequence_length: 一个形状为[batch_size] 的 ,表示batch中每个序列的长度

返回：

decode_tags:一个形状为[batch_size, max_seq_len] 的tensor,类型是tf.int32.表示最好的序列标记.
best_score: 有个形状为[batch_size] 的tensor, 包含每个序列解码标签的分数.

3. tf.contrib.crf.viterbi_decode(score, transition_params)
   通俗一点,作用就是返回最好的标签序列.这个函数只能够在测试时使用,在tensorflow外部解码
   参数解析：

score: 一个形状为[seq_len, num_tags] matrix of unary potentials.
transition_params: 形状为[num_tags, num_tags] 的转移矩阵

返回：

viterbi: 一个形状为[seq_len] 显示了最高分的标签索引的列表.
viterbi_score: A float containing the score for the Viterbi sequence.

参考链接：
https://www.cnblogs.com/lovychen/p/8490397.html