CTC算法详解

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。CRNN的模型结构如下图所示：


其中的Feature sequence即为下文所说的x输入变量，Predicted sequence即为下文所说的y输出变量，此时x和y的长度是不一样的，所以CTC主要做的工作就是x和y的对齐。

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x，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。

CTC的训练目标

CTC的训练过程，本质上是通过梯度 调整LSTM的参数 ，使得对于输入样本为 时使得 取得最大。

例如下面图14的训练样本，目标都是使得 时的输出 变大。所以CTC额本质是替代softmaxloss的损失函数，并采用BPTT算法更新LSTM的参数。

图14

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。

---

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