BeamSearchDecoder¶

class paddle.nn. BeamSearchDecoder ( cell, start_token, end_token, beam_size, embedding_fn=None, output_fn=None ) [源代码] ¶

带beam search解码策略的解码器。该接口包装一个cell来计算概率，然后执行一个beam search步骤计算得分，并为每个解码步骤选择候选输出。更多详细信息请参阅 Beam search

注意在使用beam search解码时，cell的输入和状态将被扩展到 \(beam\_size\) ，得到 \([batch\_size * beam\_size, ...]\) 一样的形状，这个操作在BeamSearchDecoder中自动完成，因此，其他任何在 cell.call 中使用的tensor，如果形状为 \([batch\_size, ...]\) ，都必须先手动使用 BeamSearchDecoder.tile_beam_merge_with_batch 接口扩展。最常见的情况是带注意机制的编码器输出。

参数：

cell (RNNCell) - RNNCell的实例或者具有相同接口定义的对象。
start_token (int) - 起始标记id。
end_token (int) - 结束标记id。
beam_size (int) - 在beam search中使用的beam宽度。
embedding_fn (可选) - 处理选中的候选id的接口。它通常是一个将词id转换为词嵌入的嵌入层，其返回值将作为 cell.call 接口的 input 参数。注意，这里要使用 cn_api_fluid_embedding 而非 embedding，因为选中的id的形状是 \([batch\_size, beam\_size]\) ，如果使用后者则还需要在这里提供unsqueeze。如果 embedding_fn 未提供，则必须在 cell.call 中实现词嵌入转换。默认值None。
output_fn (可选) - 处理cell输出的接口，在计算得分和选择候选标记id之前使用。默认值None。

示例代码

         import paddle
from paddle.nn import BeamSearchDecoder, dynamic_decode
from paddle.nn import GRUCell, Linear, Embedding
trg_embeder = Embedding(100, 32)
output_layer = Linear(32, 32)
decoder_cell = GRUCell(input_size=32, hidden_size=32)
decoder = BeamSearchDecoder(decoder_cell,
                            start_token=0,
                            end_token=1,
                            beam_size=4,
                            embedding_fn=trg_embeder,
                            output_fn=output_layer)
encoder_output = paddle.ones((4, 8, 32), dtype=paddle.get_default_dtype())
outputs = dynamic_decode(decoder=decoder,
                        inits=decoder_cell.get_initial_states(encoder_output),
                        max_step_num=10)

        

tile_beam_merge_with_batch ( x, beam_size ) ¶

扩展tensor的batch维度。此函数的输入是形状为 \([batch\_size, s_0, s_1, ...]\) 的tensor t，由minibatch中的样本 \(t[0], ..., t[batch\_size - 1]\) 组成。将其扩展为形状是 \([batch\_size * beam\_size, s_0, s_1, ...]\) 的tensor，由 \(t[0], t[0], ..., t[1], t[1], ...\) 组成, 每个minibatch中的样本重复 \(beam\_size\) 次。

参数：

x (Variable) - 形状为 \([batch\_size, ...]\) 的tenosr。数据类型应为float32，float64，int32，int64或bool。
beam_size (int) - 在beam search中使用的beam宽度。

返回：形状为 \([batch\_size * beam\_size, ...]\) 的tensor，其数据类型与 x 相同。

返回类型：Variable

_split_batch_beams ( x ) ¶

将形状为 \([batch\_size * beam\_size, ...]\) 的tensor变换为形状为 \([batch\_size, beam\_size, ...]\) 的新tensor。

参数：

x (Variable) - 形状为 \([batch\_size * beam\_size, ...]\) 的tenosr。数据类型应为float32，float64，int32，int64或bool。

返回：形状为 \([batch\_size, beam\_size, ...]\) 的tensor，其数据类型与 x 相同。

返回类型：Variable

_merge_batch_beams ( x ) ¶

将形状为 \([batch\_size, beam\_size, ...]\) 的tensor变换为形状为 \([batch\_size * beam\_size,...]\) 的新tensor。

参数：

x (Variable) - 形状为 \([batch\_size, beam_size,...]\) 的tenosr。数据类型应为float32，float64，int32，int64或bool。

返回：形状为 \([batch\_size * beam\_size, ...]\) 的tensor，其数据类型与 x 相同。

返回类型：Variable

_expand_to_beam_size ( x ) ¶

此函数输入形状为 \([batch\_size,s_0，s_1，...]\) 的tensor t，由minibatch中的样本 \(t[0]，...，t[batch\_size-1]\) 组成。将其扩展为形状 \([ batch\_size,beam\_size,s_0，s_1，...]\) 的tensor，由 \(t[0]，t[0]，...，t[1]，t[1]，...\) 组成，其中每个minibatch中的样本重复 \(beam\_size\) 次。

参数：

x (Variable) - 形状为 \([batch\_size, ...]\) 的tenosr。数据类型应为float32，float64，int32，int64或bool。

返回：具有与 x 相同的形状和数据类型的tensor，其中未完成的beam保持不变，而已完成的beam被替换成特殊的tensor(tensor中所有概率质量被分配给EOS标记)。

返回类型：Variable

_mask_probs ( probs, finished ) ¶

屏蔽对数概率。该函数使已完成的beam将所有概率质量分配给EOS标记，而未完成的beam保持不变。

参数：

probs (Variable) - 形状为 \([batch\_size,beam\_size,vocab\_size]\) 的tensor，表示对数概率。其数据类型应为float32。
finish (Variable) - 形状为 \([batch\_size,beam\_size]\) 的tensor，表示所有beam的完成状态。其数据类型应为bool。

返回：具有与 x 相同的形状和数据类型的tensor，其中未完成的beam保持不变，而已完成的beam被替换成特殊的tensor(tensor中所有概率质量被分配给EOS标记)。

返回类型：Variable

_gather ( x, indices, batch_size ) ¶

对tensor x 根据索引 indices 收集。

参数：

x (Variable) - 形状为 \([batch\_size, beam\_size,...]\) 的tensor。
index (Variable) - 一个形状为 \([batch\_size, beam\_size]\) 的int64 tensor，表示我们用来收集的索引。
batch_size (Variable) - 形状为 \([1]\) 的tensor。其数据类型应为int32或int64。

返回：具有与 :code:``x` 相同的形状和数据类型的tensor，表示收集后的tensor。

返回类型：Variable

initialize ( initial_cell_states ) ¶

初始化BeamSearchDecoder。

参数：

initial_cell_states (Variable) - 单个tensor变量或tensor变量组成的嵌套结构。调用者提供的参数。

返回：一个元组 (initial_inputs, initial_states, finished)。initial_inputs 是一个tensor，当 embedding_fn 为None时，该tensor t的形状为 \([batch\_size,beam\_size]\) ，值为 start_token ；否则使用 embedding_fn(t) 返回的值。initial_states 是tensor变量的嵌套结构(命名元组，字段包括 cell_states，log_probs，finished，lengths)，其中 log_probs，finished，lengths 都含有一个tensor，形状为 \([batch\_size, beam\_size]\)，数据类型为float32，bool，int64。cell_states 具有与输入参数 initial_cell_states 相同结构的值，但形状扩展为 \([batch\_size,beam\_size,...]\)。 finished 是一个布尔型tensor，由False填充，形状为 \([batch\_size,beam\_size]\)。

返回类型：tuple

_beam_search_step ( time, logits, next_cell_states, beam_state ) ¶

计算得分并选择候选id。

参数：

time (Variable) - 调用者提供的形状为[1]的tensor，表示当前解码的时间步长。其数据类型为int64。
logits (Variable) - 形状为 \([batch\_size,beam\_size,vocab\_size]\) 的tensor，表示当前时间步的logits。其数据类型为float32。
next_cell_states (Variable) - 单个tensor变量或tensor变量组成的嵌套结构。它的结构，形状和数据类型与 initialize() 的返回值 initial_states 中的 cell_states 相同。它代表该cell的下一个状态。
beam_state (Variable) - tensor变量的结构。在第一个解码步骤与 initialize() 返回的 initial_states 同，其他步骤与 step() 返回的 beam_search_state 相同。

返回：一个元组 (beam_search_output, beam_search_state)。beam_search_output 是tensor变量的命名元组，字段为 scores，predicted_ids parent_ids。其中 scores，predicted_ids，parent_ids 都含有一个tensor，形状为 \([batch\_size,beam\_size]\)，数据类型为float32 ，int64，int64。beam_search_state 具有与输入参数 beam_state 相同的结构，形状和数据类型。

返回类型：tuple

step ( time, inputs, states, **kwargs ) ¶

执行beam search解码步骤，该步骤使用 cell 来计算概率，然后执行beam search步骤以计算得分并选择候选标记ID。

参数：

time (Variable) - 调用者提供的形状为[1]的tensor，表示当前解码的时间步长。其数据类型为int64。。
inputs (Variable) - tensor变量。在第一个解码时间步时与由 initialize() 返回的 initial_inputs 相同，其他时间步与由 step() 返回的 next_inputs 相同。
states (Variable) - tensor变量的结构。在第一个解码时间步时与 initialize() 返回的 initial_states 相同，其他时间步与由 step() 返回的 beam_search_state 相同。
kwargs - 附加的关键字参数，由调用者提供。

返回：一个元组 (beam_search_output，beam_search_state，next_inputs，finish) 。beam_search_state 和参数 states 具有相同的结构，形状和数据类型。 next_inputs 与输入参数 inputs 具有相同的结构，形状和数据类型。 beam_search_output 是tensor变量的命名元组(字段包括 scores，predicted_ids，parent_ids )，其中 scores，predicted_ids，parent_ids 都含有一个tensor，形状为 \([batch\_size,beam\_size]\)，数据类型为float32 ，int64，int64。finished 是一个bool类型的tensor，形状为 \([batch\_size,beam\_size]\)。

返回类型：tuple

finalize ( outputs, final_states, sequence_lengths ) ¶

使用 gather_tree 沿beam search树回溯并构建完整的预测序列。

参数：

outputs (Variable) - tensor变量组成的结构(命名元组)，该结构和数据类型与 output_dtype 相同。tensor将所有时间步的输出堆叠，因此具有形状 \([time\_step，batch\_size,...]\)。
final_states (Variable) - tensor变量组成的结构(命名元组)。它是 decoder.step 在最后一个解码步骤返回的 next_states，因此具有与任何时间步的 state 相同的结构、形状和数据类型。
sequence_lengths (Variable) - tensor，形状为 \([batch\_size,beam\_size]\)，数据类型为int64。它包含解码期间确定的每个beam的序列长度。

返回：一个元组 (predicted_ids, final_states)。predicted_ids 是一个tensor，形状为 \([time\_step，batch\_size,beam\_size]\)，数据类型为int64。final_states 与输入参数 final_states 相同。

返回类型：tuple