gale church对齐算法的原理_带你看懂CTC算法

在文本识别模型CRNN中，涉及到了CTC算法的使用，由于算法的原理涉及内容较多，所以特另开一篇文章对其原理进行叙述。

自己在学习CTC过程中也是看了诸多资料才大概理解其中的思想，其中最著名的是一篇英文博客，其对CTC算法进行了通俗又详尽地讲解，链接在文末给出。本文的内容也是以其为大纲，同时参考其他优秀的资料，并加上了自己一些的理解，希望能让读者对CTC的原理有一个大致的了解。

文章涉及内容较多，难免有疏漏之处，如有错误，还望指出。

1. 前言

CTC全称Connectionist temporal classification，是一种常用在语音识别、文本识别等领域的算法，用来解决输入和输出序列长度不一、无法对齐的问题。在CRNN中，它实际上就是模型对应的损失函数。

再进行进一步叙述前，这里需要做几点说明。不管是在语音识别还是文本识别领域，CTC通常接在RNN的后面，与RNN结合使用，就像CRNN中一样。所以后面除非特别说明，否则提到的CTC均是将RNN和CTC当整体看待。

RNN在CRNN模型中代表的就是BiLSTM，它接受经过CNN提取的特征向量，大小为

。

即上文提到的特征图的宽度，由于高度为1，所以被去掉了，

即为特征图的通道数。为了便于理解，后面将

也记作

，也可以简写为

，即CTC中常涉及的概念——时间步。输出序列的大小为

，序列长度与输入一致。而每个分量（向量）的维度均为

，在这里等于字符字典的个数，表示字典个数的概率分布。概率分布经过变换便可以得到最终的预测结果。

为方便叙述，假设输入的序列为

，对应的输出序列为

，在这里希望找到

到

的映射关系。

如果使用一般的监督学习算法，会面临诸多的问题，主要可以概括为以下几点：

• 和
  的长度是可变的。
• 和
  的长度比例也是可变的。
• 和
  对应元素之间不能找到严格的对齐关系。

而CTC正是一种可以解决这些问题的算法。对于一个给定的输入

，它可以计算对应所有可能的

的概率分布。通过该概率分布，可以预测最大概率对应的输出或者某个特定输出的概率

由此可以引出损失函数的定义。对于一个给定的输入

，转录层需要最大化对应

的后验概率

。当然为了能够正常地训练模型，

应该是可导的。由于训练模型通常以最小化损失函数为目标，所以将优化目标转为最小化

的负对数似然值，即：

其中

表示训练集。

而在预测阶段，每给定一个输入

，CRNN要找到最大概率对应的输出，即

不难想到，如果序列长度稍长，所有概率分布的计算量是及其巨大的，因此这里需要一个速度更快的算法。

前面说过，对于给定的输入

，转录层需要计算所有可能的

的概率分布，而关键的问题在于如何处理

与

间的对齐问题。所以下面先分析CTC的对齐方式。

2. 对齐

要说明的是，CTC是不需要输入输出进行对齐的。但是对于给定的输入，为了计算对应

的概率，仍需要对所有可能对齐的概率进行求和，因为可能同一个输出有多个输出路径对应。下面举例进行说明。

例如CRNN的输入

是一张包含单词“cat”的图片，所以对应的输出序列应该为

。那么一种对齐

和

的方式是先对输入的每个分量

对应一个输出字符，然后将相邻的重复字符进行合并，具体如下图所示。

图1 单词cat对齐过程 [1]

当然这里很容易发现这种对应方式是不合理的。第一个问题是输入的图片可能根本不包含任何字符，即输出的结果应该为空，而强制每个输入分量

对应一个字符显然得不到这样的结果。第二个问题是如果将所有相邻重复字符都进行合并处理的话，将不能产生连续相同字符，导致结果可能是错误的。比如如果将单词tooth进行合并处理，那么最终的输出将是toth而不是tooth。

所以考虑上述问题，CTC算法又引入了一个特殊的字符——占位符，记作

或

。它表示一个占位，不对应任何字符，因此在最终的输出时要将其删除。这样以后这里仍可以采用上述的对齐规则，并同时避免以上的问题，当然最后不要忘了在输出中去掉 。单词hello的对齐过程如下图所示。

图2 单词hello对齐过程 [1]

可以看出，如果单词存在两个相同的字符，为了能够处理这种情况，需要在这两个字符间插入

。这样就能区分诸如“toth”和“tooth”的对齐方式了。

这样的规则具有以下几种特征。第一，输入

与输出

的对齐是单调的，即当

前进至下一个时间片对应的输入分量

时，

既可以保持不动，也可以移动至下一个时间片对应的输出分量

。第二，输入与最终的输出是一对多的关系，即多个输入分量可能只对应一个输出分量。

所以，输出

的长度一定不大于

。

3. 后验概率

回顾CTC的优化目标，对于一个给定的输入

，需要最大化

对应

的后验概率

，所以显然需要先得到后验概率的值。通过上面定义的对齐规则，已经解决了最后序列合并的对齐问题。接下来说明具体如何根据每个时间片的概率，推算出最终输出序列的后验概率

。

具体地，对于一个输入

，每一时间步对应分量

的特征维度，记为

。

经过BiLSTM输出

，每个分量

的维度记为

，表示

个概率。

实际上等于字符集合

的个数，假如需要预测的字符对应的字段包含52个英文字母（包括大小写），考虑之前加入的占位符，则

的值就是53。

对于每个分量

，都选取一个元素，便可以组成一条输出路径，记为

，输出路径的空间可表示为

。

定义一个映射

，表示对中间输出路径进行变换，得到最后的输出

。注意这里的路径不是最终的输出

，需要经过合并相邻字符以及删除占位符的处理，才会得到

，所以相当于中间结果。下面举例说明。

假设识别的序列为"taste"，

时，那么以下几种路径均满足条件：

因此求taste最终输出对输入的后验概率时 ，就是求这四条路径对应概率之和。进一步推广，给定输入

，中间结果对应的路径

，最终输出

，则

对

的后验概率可以表示为：

假设不同时间步的输出变量相互独立，那么对于输出路径

对

的后验概率可表示为：

表示路径

在

时间步时对应的输出字符，而

表示在

时间步时选取的字符为

的概率。因此，综合上述两式可得：

简单来说，公式表示的含义为

对

的后验概率等于所有对应路径的概率之和，而每条路径对

的后验概率又等于组成该路径的字符出现概率的乘积。

由于连续重复字符以及占位符的存在，每一个特定的输出

都会对应相当多的路径。如果这里逐一遍历进行求解，那么时间的复杂度可达到

，

为前面定义的字符集的个数，

为时间步总长。这是因为有

个步长，而每个步长输出的字符又有

种可能性。所以需要对算法进行改进，这里便借鉴了动态规划的思想。

4. 前向后向算法

对于一个最终输出序列

，实际上也表示中间路径合并后的结果。定义

表示在序列

所有相邻元素之间插入占位符后的序列。比如：

依然拿上述例子进行说明，如下图所示。

图3 单词state的可取路径 [3]

从上图可以看出，四条中间路径

，

，

，

合并处理后都可以得到state，并且他们都经过字符

。如果将路径蓝色部分记为

，红色部分记为

，则不难推出：

由于4条路径都经过

，所以都包含

项，提取公因式进行合并，令

则公式

可以写成：

当然，这只是包含4条路径的结果，实际上序列state应该对应更多的路径，如下图所示。

图4 单词state所有可能路径 [3]

所以上述公式可推广为：

进一步地，这里可以定义

， 表示时间步为

时经过字符

的所有路径在

时刻的概率和，即：

不难分析，

时字符只能占位符或

，所以可得：

进一步观察可以发现，由于

的限制，

时对应的字符只能为

，

或

。所以可得递推公式：

进一步推广可得一般式如下：

类似地，这里可以定义

,表示时间步为

时经过字符

的所有路径在

时刻的概率和，即：

不难分析，

时字符只能占位符或

，所以可得初始条件：

类似地，可得

的递推公式为：

由于

对

求导时，只与经过

的路径有关，所以在反向传播对

进行梯度计算时，便可以将公式进行简化：

而由于

所以将其带入可得：

由上面的推导可知，

和

都可以利用动态规划的思想通过递推公式求出，而不用从头开始计算，复杂度从

变为了

，大大简化了计算。而

只涉及乘法和加法运算，显然是可导的，所以就可以通过上式进行反向传播计算了。

5. 预测

前面提到，在预测阶段，给定一个输入

，计算最大概率对应的输出序列。如果假设时间片之间相互独立，那么只需将每一时间片对应概率最大的字符作为预测值，然后组成序列，最后做去重等处理得到最终结果。不过这样并没有考虑多个序列经过对齐对应同一个输出结果。例如，假如

和

各自的概率都低于

，而二者的概率之和高于后者。前者对齐后的结果均为

，而后者对齐的结果仍为

，显然输出

比

更合理些。

所以为了避免这一问题的发生，又引入了另一种算法，称为Beam Search。

里面有个参数

，用来指定每次保留的前缀序列的个数。假如设置

，则每次选取概率最大的3个前缀序列，比如

时选取概率最大的3个字符，

时也选取概率最大的3个字符，这样便有9种组合方式。当然对齐之后可能会对应相同的输出，所以要将结果相同的前缀序列进行合并（概率也要相加），然后挑出概率最大的3个作为下一次的输出，以此类推。以序列

为例，具体过程如下图所示。

图5 Beam Search示意图 [1]

这里要注意的是，当前缀序列的末尾字符与下一个字符相同时，合并可以产生两种有效输出。

比如上图中

时前缀序列为

, 而合并的字符同样为

，这样既可以输出

，也可以输出

，二者都是可能的。因为在

时，其中一个结果占位符

在对齐时被移除了，但是在这里后面又遇到了相同的字符，按照前面定义的规则，此时合并的结果应该为

。

的两种计算情况如下图所示。

图6 [epsilon,a,b] 的预测过程 [1]

所以，这两种结果应作为两种序列分别进行概率计算。当然，为了能够计算这两种情况对应的概率，需要分别记录以

结尾的前缀序列的概率，以及不以

结尾的前缀序列的概率。

6. 总结

以上便是CTC计算的所有过程。最后，总结CTC的几个特点。

• 条件独立。回顾上面的计算过程，可以发现在进行路径概率计算时，CTC直接将每个时间片对应的概率值进行相乘，也就是说CTC默认每个时间片都是相互独立的。但是，在文本识别中，文本显然是包含上下文信息的，所以模型中才引入了RNN层。当然，结果表明这并没有妨碍到CTC在文本识别领域的优异表现。不过，假如能够在CTC中将输入数据的上下文信息考虑进去，效果应该能得到进一步的提升。

• 单调对齐。CTC的规则决定了输入 与输出 的对齐是单调的。这也导致了CTC无法应用在机器翻译等不符合该约束的领域。

• 多对一映射。输入与最终的输出是一对多的关系，即多个输入分量可能只对应一个输出分量。所以输出 的长度一定不大于 。所以如果遇到 的长度大于 长度的情况，CTC便无法处理了。

---

最后，不要光收藏不点赞嘛，点个赞再走吧，写文章不易，多多鼓励~

参考资料

[1] Sequence Modeling With CTC

[2] CTC（Connectionist Temporal Classification）介绍

[3] 一文读懂CRNN+CTC文字识别