diff --git a/docs/topic/ctc/ctc_loss.ipynb b/docs/topic/ctc/ctc_loss.ipynb new file mode 100644 index 00000000..c0da1f32 --- /dev/null +++ b/docs/topic/ctc/ctc_loss.ipynb @@ -0,0 +1,407 @@ +{ + "cells": [ + { + "cell_type": "markdown", + "id": "piano-accent", + "metadata": {}, + "source": [ + "# Derivative of CTC Loss\n", + "\n", + "关于CTC的介绍已经有很多不错的教程了，但是完整的描述CTCLoss的前向和反向过程的很少，而且有些公式推导省略和错误。本文主要关注CTC Loss的梯度是如何计算的，关于CTC的介绍这里不做过多赘述，具体参看文末参考。\n", + "\n", + "CTC主要应用于语音和OCR中，已语音[Deepspeech2](https://arxiv.org/abs/1512.02595)模型为例，CTC的网络一般如下图所示，包含softmax和CTCLoss两部分。反向传播需要求得loss L相对于logits $u^i$​的梯度。下面先介绍CTCLoss的前向计算。\n", + "\n", + "> 图片来源于文末参考\n", + "\n", + "![img](./img/ctc_loss_backward_1.png)\n", + "\n", + "## CTC Loss 的计算\n", + "\n", + "CTC中path的定义与概率的计算如下：\n", + "\n", + "\"image-20211104200811966\"\n", + "\n", + "path 是 $ L'^T$​​的元素，用 $ \\pi $​​表示。 $ \\textbf{x} $​​ 是输入特征，$\\textbf{y}$​​ 是输出label， 都是序列。 $ L $​​ 是输出的 vocab, L‘ 是 $ L \\cup {blank}$​​。 $y_{\\pi_{t}}^t$​​ 表示在t时刻，$\\pi_{t}$​​ label时的观察概率。其中$\\pi_{t}$​​ 表示 $\\pi$​​ path在t时刻的label。$\\pi$​​ 是 $\\textbf{y}$​​ 与 $ \\textbf{x}$​​ 的一个alignment，长度是$T$​​，取值空间为$L'$​​​。path也称为alignment。\n", + "\n", + "公式（2）解释了给定输入 $\\textbf{x}$​ ，输出 $ \\pi $​ path 的概率，即从时间t=1到T每个时间点的概率 $y_{\\pi_{t}}^t$​ 相乘。\n", + "\n", + "求出单条path后，就可以计算$p(l \\mid x)$​ 的概率，计算如下：\n", + "\n", + "\"image-20211104202358513\"\n", + "\n", + "这里边 $\\mathcal{B}$ 就是映射， 即所有多对一的映射（many-to-one mapping )的集合。 这样就算出来对应一个真正的 label $\\textbf{l}$ 的概率了，这里是求和。 求和的原因就是 aab 和 abb 都是对应成ab, 所以 aab 的概率 + abb 的概率才是生成ab的概率。 \n", + "\n", + "公式（3）解释了给定输入 $\\mathbf{x}$​​​​​​ ，求输出$\\mathbf{l}$​​​​​​ 的概率， 即所有集合 $\\mathcal{B}^{-1} (\\mathbf{l})$​​​​​​​​​​ 中 path的概率和。\n", + "\n", + "### CTC forward-backward 算法\n", + "\n", + "CTC的优化采用算最大似然估计[MLE (maximum likelihood estimation)](https://en.wikipedia.org/wiki/Maximum_likelihood_estimation), 这个和神经网络本身的训练过程是一致的。\n", + "\n", + "这个CTC 计算过程类似HMM的 [forward-backward algorithm](https://en.wikipedia.org/wiki/Forward%E2%80%93backward_algorithm)，下面就是这个算法的推导过程：\n", + "\n", + "\"image-20211104203040307\"\n", + "\n", + "上图中的定义很清楚， 但是$ \\alpha_{t-1}(s) $ and $ \\alpha_{t-1}(s-1)$ 和 $\\alpha_t(s)$ 的关系也不那么好看出来，下图给出了具体的关于 $\\alpha_t(s)$ 的推导过程：\n", + "\n", + "\"image-20211108155714843\"\n", + "\n", + "\"image-20211109153011816\"\n", + "\n", + "这里的公式比较适合用下面的图来理解，$\\alpha_1(1)$​​​​ 其实对应的就是下图中左上角白色的圆圈。 就是上来第一个是blank 的概率， 而 $\\alpha_1(2)$​​​​是label l 的第一个字母。 这里边我们假设每个字母之间都插入了空白，即label l扩展成l'，例如，l=[a, b, b, c]， l'=[-, a, -, b, -, b, -, c, -]。 然后对于其他圆点，在时间是1 的情况下概率都是 0. Figure 3中横轴是时间 t，从左到右是1到T；纵轴是s（sequence），从上到下是 1 到 $\\mathbf{\\mid l' \\mid}$​​​​.\n", + "\n", + "\"image-20211108155918442\"\n", + "\n", + "接下来我们分析递归公式 (resursion)，更多介绍可以参看 [2]. 公式6分情况考虑:\n", + "\n", + "* 第一种情况就是当前的label是blank， 或者 $\\mathbf{l'}_{s}= \\mathbf{l'}_{s-2}$​​​​​​​(相邻是重复字符)：\n", + "\n", + " ![img](https://distill.pub/2017/ctc/assets/cost_no_skip.svg)\n", + "\n", + " 这个时候他的概率来自于过去t-1的两个label 概率， 也就是 $a_{t-1} (s)$​​ 和 $a_{t-1} (s-1)$​​​ 。\n", + "\n", + " $ a_{t-1} (s)$​​ 就是说当前的 sequence 已经是s 了，figure 3中表现为横跳， blank -->blank（例如t=3, s=3）；\n", + "\n", + " 而 $a_{t-1} (s-1) $是说明当前的字符还不够， 需要再加一个， 所以在figure 3中就是斜跳，从黑色圆圈到白色圆圈（例如，t=3, s=5）。\n", + "\n", + " 仔细观察figure 3， 除了第一排的白色圆圈， 其他白色圆圈都有两个输入， 就是上述的两种情况。 当然判断blank 的方法也可以是判断$I'_{s-2} = I'_{s}$​. 这种情况也是说明$I'_{s}$​​​ 是blank, 因为每一个字符必须用 blank 隔开， 即使是相同字符。\n", + "\n", + "* 第二章情况 也可以用类似逻辑得出， 只不过当前的状态s 是黑色圆圈， 有三种情况输入。\n", + "\n", + " ![img](https://distill.pub/2017/ctc/assets/cost_regular.svg)\n", + "\n", + "最终的概率就如公式8 所示， 这个计算过程就是 CTC forward algroirthm， 基于 Fig. 3 的左边的初始条件。\n", + "\n", + "\"image-20211108162544982\"\n", + "\n", + "基于Fig. 3 右边的初始条件，我们还是可以计算出一个概率， 那个就是 **CTC backward**. 这里我就不详细介绍了， 直接截图。\n", + "\n", + "\"image-20211108162859876\"\n", + "\n", + "这样一直做乘法， 数字值越来越小，很快就会underflow。 这个时候就需要做 scaling.\n", + "\n", + "\"image-20211108163526616\"\n", + "\n", + "算出了forward probability 和 backward probability 有什么用呢， 解释如下图。\n", + "\n", + "\"image-20211108164110404\"\n", + "\n", + "上图是说 forward probability and backward probability 的乘积， 代表了这个 sequence $\\mathbf{l}$ t时刻，是s label 的 所有paths 的概率。 这样的话 我们就计算了 Fig. 3 中的每个圆圈的概率。为什么$\\alpha_t(s)\\beta_t(s)$ 中多出一个 $y^t_{\\mathbf{l'_s}}$ ，这是因为它在 $\\alpha$ 和 $\\beta$ 中都包含该项，合并公式后就多出一项。\n", + "\n", + "\"image-20211109143104052\"\n", + "\n", + "$p(\\mathbf{l}|\\mathbf{x})$​ 可以通过任意时刻 t 的所有 s 的 foward-backward 概率计算得来。取负对数后就是单个样本的NLL（Negative Log Likelihood）。\n", + "\n", + "### 总结\n", + "\n", + "总结一下，根据前向概率计算CTCLoss函数，可以得出如下结论：\n", + "\n", + "1. 对于时序长度为T的输入序列x和输出序列z，前向概率：\n", + " $$\n", + " \\begin{split}\n", + " \\alpha_t(s) &= \\sum_{ \\underset{\\pi_t=l'_s}{\\pi \\in \\mathcal{B}^{-1}(z)} } p(\\pi_{1:t}|x) \\newline\n", + " \\alpha_1(1) &= y_{-}^1 ; \\quad \\alpha_1(2)=y^1_{l'_2}, \\quad \\alpha_1(s)=0, \\forall s > 2 \\newline\n", + " \\alpha_t(s) &= 0, \\quad \\forall s < |l'| - 2(T-t) - 1 ,\\quad \\text{or} \\quad \\forall s < 1 \\newline\n", + " \\alpha_t(s) &=\n", + " \\begin{cases}\n", + " (\\alpha_{t-1}(s) + \\alpha_{t-1}(s-1) ) y^t_{l'_s} & \\text{if $l'_s=b$ or $l'_{s-2} = l'_s$​} \\newline\n", + " (\\alpha_{t-1}(s) + \\alpha_{t-1}(s-1) + \\alpha_{t-1}(s-2))y^t_{l'_s} & \\text{otherwise}\\newline\n", + " \\end{cases} \n", + " \\end{split}\n", + " $$\n", + "\n", + "2. 利用 $\\alpha_t(s)$ 计算CTCLoss：\n", + " $$\n", + " -ln(p(l \\mid x)) = -ln(\\alpha_{T}(|l'|)+\\alpha_{T}(|l'|-1))\n", + " $$\n", + "\n", + "根据后向概率计算CTCLoss函数，可以得出如下结论：\n", + "\n", + "1. 对于时序长度为T的输入序列x和输出序列z，后向概率： \n", + " $$\n", + " \\begin{split}\n", + " \\beta_t(s) &= \\sum_{ \\underset{\\pi_t=l'_s}{\\pi \\in \\mathcal{B}^{-1}(z)} } p(\\pi_{t:T}|x) \\newline\n", + " \\beta_T(|l'|) &= y_{-}^T ; \\quad \\beta_T(|l'|-1)=y^T_{l'_{|l'|-1}}, \\quad \\beta_T(s)=0, \\forall s < |l'| - 1 \\newline\n", + " \\beta_t(s) &= 0, \\text{$\\forall s > 2t$ or $\\forall s < |l'|$} \\newline\n", + " \\beta_t(s) &=\n", + " \\begin{cases}\n", + " (\\beta_{t+1}(s) + \\beta_{t+1}(s+1) ) y^t_{l'_s} & \\text{if $l'_s=b$ or $l'_{s+2} = l'_s$} \\newline\n", + " (\\beta_{t+1}(s) + \\beta_{t+1}(s+1) + \\beta_{t+1}(s+2))y^t_{l'_s} & \\text{otherwise}\\newline\n", + " \\end{cases}\n", + " \\end{split}\n", + " $$\n", + "\n", + " 2. 利用 $\\beta_t(s)$计算CTCLoss：\n", + "\n", + "$$\n", + "-ln(p(l \\mid x)) = -ln(\\beta_{1}(1)+\\beta_{1}(2)) \\newline\n", + "$$\n", + "\n", + "根据任意时刻的前向概率和后向概率计算CTC Loss函数，得到如下结论：\n", + "\n", + "1. 对于任意时刻t，利用前向概率和后向概率计算CTCLoss：\n", + "\n", + "$$\n", + "p(l \\mid x) = \\sum_{s=1}^{|l'|} \\frac{\\alpha_t(s)\\beta_t(s)}{y_{l'_s}^t} \\newline\n", + "-ln(p(l \\mid x)) = -ln( \\sum_{s=1}^{|l'|} \\frac{\\alpha_t(s) \\beta_t(s)}{y_{l'_s}^t} )\n", + "$$\n", + "我们已经得到CTCLoss的计算方法，接下来对其进行求导。\n" + ] + }, + { + "cell_type": "markdown", + "id": "viral-fitting", + "metadata": {}, + "source": [ + "## CTC梯度计算\n", + "\n", + "### 微分公式\n", + "\n", + "在计算梯度前，我们先回顾下基本的微分公式： \n", + "$$\n", + "C' = 0 \\\\\n", + "x' = 1 \\newline\n", + "x^n = n \\cdot x^{n-1} \\newline\n", + "(e^x)' = e^x \\newline\n", + "log(x)' = \\frac{1}{x} \\newline\n", + "(u + v)' = u' + v' \\newline\n", + "(\\frac{u}{v})' = \\frac{u'v-uv'}{v^2} \\newline\n", + "\\frac{\\mathrm{d}f(g(x))}{\\mathrm{d}x} = \\frac{\\mathrm{d}f(g(x))}{\\mathrm{d}g(x)} \\cdot \\frac{\\mathrm{d}g(x)}{\\mathrm{d}x}\n", + "$$\n" + ] + }, + { + "cell_type": "markdown", + "id": "starting-sender", + "metadata": {}, + "source": [ + "### CTC梯度\n", + "\n", + "最大似然估计训练就是最大化训练集中每一个分类的对数概率，即最小化Eq. 12。\n", + "\n", + "\"image-20211108164206136\"\n", + "\n", + "最后就是算微分了， 整个推导过程就是加法和乘法， 都可以微分。 $\\mathit{O}^{ML}$关于神经网络的输出 $y^t_k$的梯度见Eq. 13。因为训练样本是相互独立的，所以可以单独考虑每个样本，公式如Eq.13。\n", + "\n", + "下面是CTCLoss的梯度计算：\n", + "\n", + "\"image-20211109143622448\"\n" + ] + }, + { + "cell_type": "markdown", + "id": "stretch-order", + "metadata": {}, + "source": [ + "### CTC梯度推导\n", + "\n", + "回顾下之前的公式，便于理解后续推导过程。 \n", + "\n", + "$$\n", + "p(l \\mid x) = \\sum_{s=1}^{|l'|} \\frac{\\alpha_t(s)\\beta_t(s)}{y_{l'_s}^t} \\\\\n", + "\\begin{equation}\n", + "\\alpha_t(s) \\beta_t(s) = \\sum_{ \\underset{\\pi_t=l'_s}{\\pi \\in \\mathcal{B}^{-1}(l):} } y^t_{l'_s} \\prod_{t=1}^T y^t_{\\pi_t}\n", + "\\end{equation}\n", + "$$\n", + "\n", + "其中Eq. 15的计算过程如下： \n", + "\n", + "$$\n", + "\\begin{align*}\n", + "\\frac{\\partial p(\n", + "l \\mid x)}{\\partial y_k^t}\n", + " & = \\sum_{s \\in lab(z,k)} \\frac{ \\partial \\frac{ \\alpha_t(s) \\beta_t(s)}{y_{k}^t}}{\\partial y_k^t} \n", + " \\newline\n", + " & = \\sum_{s \\in lab(z,k)} \\frac{(\\alpha_t(s)\\beta_t(s))’y_k^t - \\alpha_t(s)\\beta_t(s){y_k^t}'}{{y_k^t}^2}\n", + " \\newline\n", + " &= \\sum_{s \\in lab(z,k)} \\frac{( \\prod_{t'=1}^{t-1} y^{t'}_{\\pi_{t'}} \\cdot y_k^t \\cdot y_k^t \\cdot \\prod_{t'=t+1}^{T} y^{t'}_{\\pi_{t'}} )’ y_k^t - \\alpha_t(s)\\beta_t(s){y_k^t}'}{{y_k^t}^2}\n", + " \\newline\n", + " &= \\sum_{s \\in lab(z,k)} \\frac{2\\alpha_t(s)\\beta_t(s) - \\alpha_t(s)\\beta_t(s)}{{y_k^t}^2}\n", + " \\newline\n", + " &= \\sum_{s \\in lab(z,k)} \\frac{\\alpha_t(s)\\beta_t(s)}{{y_k^t}^2}\n", + " \\newline\n", + " &= \\frac{1}{{y_k^t}^2} \\sum_{s \\in lab(z,k)} \\alpha_t(s)\\beta_t(s) \\tag{1} \\newline\n", + "\\end{align*}\n", + "$$\n", + "\n", + "\n", + "NLL的公式推导如下：\n", + "$$\n", + "\\begin{split}\n", + "\\frac{\\partial {ln(p(l \\mid x))} }{ \\partial y^t_k }\n", + " &= \\frac{1}{p(l \\mid x)} \\frac{ \\partial{p(l \\mid x)} }{ \\partial y_k^t } \\newline\n", + " &= \\frac{1}{p(l \\mid x) {y^t_k}^2 } \\sum_{s \\in lab(z,k)} \\alpha_t(s)\\beta_t(s) \n", + "\\end{split}\n", + "\\tag{2}\n", + "$$\n", + "\n", + "\n", + "已经算出了CTCLoss对于 $y_k^t$​ 的梯度，接下来我们需要计算 CTCLoss对于$u^t_k$​（logits）的梯度。套用链式法则，并替换$y^t_k$​ 为 $y^t_{k'}$​，结果如下图。图中 $k'$​ 表示vocab中的某一个token，$K$​​ 是vocab的大小。\n", + "\n", + "![](./img/ctc_loss_backward_2.png)\n", + "\n", + "图中公式4根据链式法则得到：\n", + "$$\n", + "- \\frac{ \\partial ln(p(l \\mid x)) }{ \\partial u^t_k }\n", + " = - \\sum_{k'=1}^{K} \\frac{ \\partial ln(p(l \\mid x)) }{ \\partial y^t_{k'} } \\frac{ \\partial y^t_{k'} }{ \\partial u^t_k } \\tag{4}\n", + "$$\n", + "图中公式3是softmax的梯度，参考 [4]，计算过程如下：\n", + "$$\n", + "softmax(j) = S_j = \\frac{ e^{a_j} }{ \\sum_{k=1}^K e^{a_k} }, \\enspace \\forall j \\in 1 \\dots K\n", + "$$\n", + "\n", + "$$\n", + "\\begin{split}\n", + "\\frac{ \\partial S_i }{ \\partial a_j}\n", + " &= \\frac{ \\partial (\\frac{ e^{ a_i } }{ \\sum_k e^{ a_k } }) } { \\partial a_j }\n", + " \\newline\n", + " &= \n", + " \\begin{cases}\n", + " \t\\frac{ e^a_i \\sum - e^a_j e^a_i }{ \\sum^2 } \n", + " \t&= \\frac{ e^a_i }{ \\sum } \\frac{ \\sum - e^a_j }{ \\sum } \\newline\n", + " &= S_i(1-S_j) & \\text{i = j, $\\sum$ stands for $\\sum_{k=1}^K e^a_k$} \n", + " \t\\newline\n", + " \t\\frac{ 0 - e^a_j e^a_i }{ \\sum^2 } \n", + " \t&= - \\frac{ e^a_j }{ \\sum } \\frac{ e^a_i }{ \\sum } \\newline\n", + " &= -S_j S_i & \\text{i $\\neq$ j, $\\sum$ stands for $\\sum_{k=1}^K e^a_k$}\n", + " \\end{cases}\n", + " \\newline\n", + " &= \n", + " \\begin{cases}\n", + " S_i(1 - S_j) & \\text{$i = j$} \n", + " \\newline\n", + " -S_j S_i = S_i (0 - S_j) & \\text{$i \\neq j$}\n", + " \\end{cases}\n", + " \\newline\n", + " &= S_i (\\delta_{ij} - S_j )\n", + "\\end{split}\n", + "\\tag{3}\n", + "$$\n", + "$$\n", + "\\delta_{ij} =\n", + " \\begin{cases}\n", + " 1 & \\text{if i = j} \\newline\n", + " 0 & \\text{otherwise}\n", + " \\end{cases}\n", + "$$\n", + "\n", + "\n", + "\n", + "下图中黄色框中的部分表示公式（1），即遍历所有的vocab中的token，其结果是$p(l \\mid x)$​。这是因为label $l$​ 中的token一定在vocab中，且 $s \\in lab(l, k')$​ 可以是空集。当 $k'$​ 在 l 中，s 则为label中token是$k'$​的概率；当$k'$​​​不在l中，s为空，概率为0。\n", + "\n", + "![img](./img/ctc_loss_backward_3.png)\n", + "\n", + "公式（2），（3）带入（4），并结合公式（1）的结果如上图右边，即：\n", + "$$\n", + "\\begin{split}\n", + "- \\frac{ \\partial ln(p(l \\mid x)) }{ \\partial u^t_k } &= \n", + "\t- \\sum_{k'=1}^K \\frac{ \\partial ln(p(l \\mid x)) }{ \\partial y^t_{k'} } \\frac{ \\partial y^t_{k'}}{ \\partial u^t_k } \\newline\n", + "\t&= - \\sum_{k'=1}^K \\frac{ y^t_{k'}( \\delta_{kk'} - y^t_k ) }{ p(l \\mid x) {y^t_{k'}}^2 } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) \\newline\n", + "\t&= - \\sum_{k'=1}^K \\frac{ \\delta_{kk'} - y^t_k }{ p(l \\mid x) y^t_{k'} } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) \\newline\n", + "\t&= \\sum_{k'=1}^K \\frac{ y^t_k - \\delta_{kk'} }{ p(l \\mid x) y^t_{k'} } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) \\newline\n", + "\t&= \\sum_{k'=1}^K \\frac{ y^t }{ p(l \\mid x) y^t_{k'} } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) - \\sum_{k'=1}^K \\frac{ \\delta_{kk'} }{ p(l \\mid x) y^t_{k'} } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) \\newline\n", + "\t&= \\frac{ y^t_k }{ p(l \\mid x) } ( \\sum_{k'=1}^K \\frac{1}{y^t_{k'}} \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) ) - \\sum_{k'=1}^K \\frac{ \\delta_{kk'} }{ p(l \\mid x) y^t_{k'} } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) \\newline\n", + "\t&= \\frac{ y^t_k }{ p(l \\mid x) } p(l \\mid x) - \\sum_{k'=1}^K \\frac{ \\delta_{kk'} }{ p(l \\mid x) y^t_{k'} } \\sum_{s \\in lab(l, k') } \\alpha_t(s) \\beta_t(s) \\newline\n", + "\t&= y^t_k - \\frac{ 1 }{ p(l \\mid x) y^t_k } \\sum_{s \\in lab(l, k)} \\alpha_t(s) \\beta_t(s) \\newline\n", + "\\end{split}\n", + "$$\n", + "最终，为了通过softmax层传播CTCLoss的梯度，需要计算目标函数与 logits $u^t_k$ 的偏微分，即Eq. 16: \n", + " $$\n", + " \\begin{align*}\n", + " \\hat{\\alpha}_t(s) & \\overset{def}{=} \\frac{ \\alpha_t(s) }{ C_t } ,\\enspace C_t \\overset{def}{=} \\sum_s \\alpha_t(s) \n", + " \\newline\n", + " \\hat{\\beta}_t(s) & \\overset{def}{=} \\frac{ \\beta_t(s) }{ D_t } ,\\enspace D_t \\overset{def}{=} \\sum_s \\beta_t(s) \n", + " \\newline\n", + " - \\frac{ \\partial ln(p(l \\mid x)) }{ \\partial u^t_k } &= y^t_k - \\frac{1}{y^t_k \\sum_{s=1}^{\\mid l' \\mid} \\frac{ \\hat{\\alpha}_t(s) \\hat{\\beta}_t(s) }{ y^t_{l'_s} } } \\sum_{s \\in lab(l, k)} \\hat{\\alpha}_t(s) \\hat{\\beta}_t(s) \\tag{16} \n", + " \\newline\n", + " \\end{align*}\n", + " $$" + ] + }, + { + "cell_type": "markdown", + "id": "informative-maria", + "metadata": {}, + "source": [ + "### 总结\n", + "\n", + "* 通过动态规划算法计算$\\alpha_t(s)$ 和 $\\beta_t(s)$\n", + "\n", + "* 通过$\\alpha_t(s)$ 计算 $p(l \\mid x)=\\alpha_T(\\mid l' \\mid) + \\alpha_T(\\mid l' \\mid -1)$\n", + "\n", + "* 通过$\\alpha_t(s)$ 和 $\\beta_t(s)$\n", + "\n", + "* 计算CTcLoss函数的导数: \n", + " $$\n", + " \\begin{split}\n", + " - \\frac{ \\partial ln(p(l \\mid x)) }{ \\partial u^t_k } \n", + " &= y^t_k - \\frac{ 1 }{ p(l \\mid x) y^t_k } \\sum_{s \\in lab(l, k)} \\alpha_t(s) \\beta_t(s) \n", + " \\newline\n", + " &= y^t_k - \\frac{1}{y^t_k \\sum_{s=1}^{\\mid l' \\mid} \\frac{ \\hat{\\alpha}_t(s) \\hat{\\beta}_t(s) }{ y^t_{l'_s} } } \\sum_{s \\in lab(l, k)} \\hat{\\alpha}_t(s) \\hat{\\beta}_t(s) \n", + " \\newline\n", + " \\end{split}\n", + " \\tag{16}\n", + " $$" + ] + }, + { + "cell_type": "markdown", + "id": "coordinated-music", + "metadata": {}, + "source": [ + "## Reference\n", + "\n", + "[[1] A. Graves, S. Fernandez, F. Gomez, J. Schmidhuber. Connectionist Temporal lassification: Labeling Unsegmented Sequence Data with Recurrent Neural Networks. ICML 2006, Pittsburgh, USA, pp. 369-376.](http://www.cs.toronto.edu/~graves/icml_2006.pdf)\n", + "\n", + "[[2] Sequence ModelingWith CTC](https://distill.pub/2017/ctc/)\n", + "\n", + "[[3] NLP 之 CTC Loss 的工作原理](https://www.jianshu.com/p/e073c9d91b20)\n", + "\n", + "[[4] The Softmax function and its derivative](https://eli.thegreenplace.net/2016/the-softmax-function-and-its-derivative/)\n", + "\n", + "[[5] CTC Algorithm Explained Part 1：Training the Network（CTC算法详解之训练篇）](https://xiaodu.io/ctc-explained/)" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "id": "closing-candy", + "metadata": {}, + "outputs": [], + "source": [] + } + ], + "metadata": { + "kernelspec": { + "display_name": "Python 3", + "language": "python", + "name": "python3" + }, + "language_info": { + "codemirror_mode": { + "name": "ipython", + "version": 3 + }, + "file_extension": ".py", + "mimetype": "text/x-python", + "name": "python", + "nbconvert_exporter": "python", + "pygments_lexer": "ipython3", + "version": "3.9.1" + }, + "toc": { + "base_numbering": 1, + "nav_menu": {}, + "number_sections": true, + "sideBar": true, + "skip_h1_title": false, + "title_cell": "Table of Contents", + "title_sidebar": "Contents", + "toc_cell": false, + "toc_position": {}, + "toc_section_display": true, + "toc_window_display": false + } + }, + "nbformat": 4, + "nbformat_minor": 5 +} diff --git a/docs/topic/ctc/ctc_loss.tex.md b/docs/topic/ctc/ctc_loss.tex.md deleted file mode 100644 index 51ef3dc9..00000000 --- a/docs/topic/ctc/ctc_loss.tex.md +++ /dev/null @@ -1,336 +0,0 @@ -## Derivative of CTC Loss - -关于CTC的介绍已经有很多不错的教程了，但是完整的描述CTCLoss的前向和反向过程的很少，而且有些公式推导省略和错误。本文主要关注CTC Loss的梯度是如何计算的，关于CTC的介绍这里不做过多赘述，具体参看文末参考。 - -CTC主要应用于语音和OCR中，已语音[Deepspeech2](https://arxiv.org/abs/1512.02595)模型为例，CTC的网络一般如下图所示，包含softmax和CTCLoss两部分。反向传播需要求得loss L相对于logits $u^i$​的梯度。下面先介绍CTCLoss的前向计算。 - -> 图片来源于文末参考 - -![img](./img/ctc_loss_backward_1.png) - -## 1. CTC Loss 的计算 - -CTC中path的定义与概率的计算如下： - -image-20211104200811966 - -path 是 $ L'^T$​​的元素，用 $ \pi $​​表示。 $ \textbf{x} $​​ 是输入特征，$\textbf{y}$​​ 是输出label， 都是序列。 $ L $​​ 是输出的 vocab, L‘ 是 $ L \cup {blank}$​​。 $y_{\pi_{t}}^t$​​ 表示在t时刻，$\pi_{t}$​​ label时的观察概率。其中$\pi_{t}$​​ 表示 $\pi$​​ path在t时刻的label。$\pi$​​ 是 $\textbf{y}$​​ 与 $ \textbf{x}$​​ 的一个alignment，长度是$T$​​，取值空间为$L'$​​​。path也称为alignment。 - -公式（2）解释了给定输入 $\textbf{x}$​ ，输出 $ \pi $​ path 的概率，即从时间t=1到T每个时间点的概率 $y_{\pi_{t}}^t$​ 相乘。 - -求出单条path后，就可以计算$p(l \mid x)$​ 的概率，计算如下： - -image-20211104202358513 - -这里边 $\mathcal{B}$ 就是映射， 即所有多对一的映射（many-to-one mapping )的集合。 这样就算出来对应一个真正的 label $\textbf{l}$ 的概率了，这里是求和。 求和的原因就是 aab 和 abb 都是对应成ab, 所以 aab 的概率 + abb 的概率才是生成ab的概率。 - -公式（3）解释了给定输入 $\mathbf{x}$​​​​​​ ，求输出$\mathbf{l}$​​​​​​ 的概率， 即所有集合 $\mathcal{B}^{-1} (\mathbf{l})$​​​​​​​​​​ 中 path的概率和。 - -### 1.1 CTC forward-backward 算法 - -CTC的优化采用算最大似然估计[MLE (maximum likelihood estimation)](https://en.wikipedia.org/wiki/Maximum_likelihood_estimation), 这个和神经网络本身的训练过程是一致的。 - -这个CTC 计算过程类似HMM的 [forward-backward algorithm](https://en.wikipedia.org/wiki/Forward%E2%80%93backward_algorithm)，下面就是这个算法的推导过程： - -image-20211104203040307 - -上图中的定义很清楚， 但是$ \alpha_{t-1}(s) $ and $ \alpha_{t-1}(s-1)$ 和 $\alpha_t(s)$ 的关系也不那么好看出来，下图给出了具体的关于 $\alpha_t(s)$ 的推导过程： - -image-20211108155714843 - -image-20211109153011816 - -这里的公式比较适合用下面的图来理解，$\alpha_1(1)$​​​​ 其实对应的就是下图中左上角白色的圆圈。 就是上来第一个是blank 的概率， 而 $\alpha_1(2)$​​​​是label l 的第一个字母。 这里边我们假设每个字母之间都插入了空白，即label l扩展成l'，例如，l=[a, b, b, c]， l'=[-, a, -, b, -, b, -, c, -]。 然后对于其他圆点，在时间是1 的情况下概率都是 0. Figure 3中横轴是时间 t，从左到右是1到T；纵轴是s（sequence），从上到下是 1 到 $\mathbf{\mid l' \mid}$​​​​. - -image-20211108155918442 - -接下来我们分析递归公式 (resursion)，更多介绍可以参看 [2]. 公式6分情况考虑: - -* 第一种情况就是当前的label是blank， 或者 $\mathbf{l'}_{s}= \mathbf{l'}_{s-2}$​​​​​​​(相邻是重复字符)： - - ![img](https://distill.pub/2017/ctc/assets/cost_no_skip.svg) - - 这个时候他的概率来自于过去t-1的两个label 概率， 也就是 $a_{t-1} (s)$​​ 和 $a_{t-1} (s-1)$​​​ 。 - - $ a_{t-1} (s)$​​ 就是说当前的 sequence 已经是s 了，figure 3中表现为横跳， blank -->blank（例如t=3, s=3）； - - 而 $a_{t-1} (s-1) $是说明当前的字符还不够， 需要再加一个， 所以在figure 3中就是斜跳，从黑色圆圈到白色圆圈（例如，t=3, s=5）。 - - 仔细观察figure 3， 除了第一排的白色圆圈， 其他白色圆圈都有两个输入， 就是上述的两种情况。 当然判断blank 的方法也可以是判断$I'_{s-2} = I'_{s}$​. 这种情况也是说明$I'_{s}$​​​ 是blank, 因为每一个字符必须用 blank 隔开， 即使是相同字符。 - -* 第二章情况 也可以用类似逻辑得出， 只不过当前的状态s 是黑色圆圈， 有三种情况输入。 - - ![img](https://distill.pub/2017/ctc/assets/cost_regular.svg) - -最终的概率就如公式8 所示， 这个计算过程就是 CTC forward algroirthm， 基于 Fig. 3 的左边的初始条件。 - -image-20211108162544982 - -基于Fig. 3 右边的初始条件，我们还是可以计算出一个概率， 那个就是 **CTC backward**. 这里我就不详细介绍了， 直接截图。 - -image-20211108162859876 - -这样一直做乘法， 数字值越来越小，很快就会underflow。 这个时候就需要做 scaling. - -image-20211108163526616 - -算出了forward probability 和 backward probability 有什么用呢， 解释如下图。 - -image-20211108164110404 - -上图是说 forward probability and backward probability 的乘积， 代表了这个 sequence $\mathbf{l}$ t时刻，是s label 的 所有paths 的概率。 这样的话 我们就计算了 Fig. 3 中的每个圆圈的概率。为什么$\alpha_t(s)\beta_t(s)$ 中多出一个 $y^t_{\mathbf{l'_s}}$ ，这是因为它在 $\alpha$ 和 $\beta$ 中都包含该项，合并公式后就多出一项。 - -image-20211109143104052 - -$p(\mathbf{l}|\mathbf{x})$​ 可以通过任意时刻 t 的所有 s 的 foward-backward 概率计算得来。取负对数后就是单个样本的NLL（Negative Log Likelihood）。 - -### 1.2 总结 - -总结一下，根据前向概率计算CTCLoss函数，可以得出如下结论： - -1. 对于时序长度为T的输入序列x和输出序列z，前向概率： - $$ - \begin{split} - - \alpha_t(s) &= \sum_{ \underset{\pi_t=l'_s}{\pi \in \mathcal{B}^{-1}(z)} } p(\pi_{1:t}|x) \newline - - \alpha_1(1) &= y_{-}^1 ; \quad \alpha_1(2)=y^1_{l'_2}, \quad \alpha_1(s)=0, \forall s > 2 \newline - - \alpha_t(s) &= 0, \quad \forall s < |l'| - 2(T-t) - 1 ,\quad \text{or} \quad \forall s < 1 \newline - - \alpha_t(s) &= - \begin{cases} - (\alpha_{t-1}(s) + \alpha_{t-1}(s-1) ) y^t_{l'_s} & \text{if $l'_s=b$ or $l'_{s-2} = l'_s$​} \newline - (\alpha_{t-1}(s) + \alpha_{t-1}(s-1) + \alpha_{t-1}(s-2))y^t_{l'_s} & \text{otherwise}\newline - \end{cases} - - \end{split} - $$ - -2. 利用 $\alpha_t(s)$计算CTCLoss： - $$ - -ln(p(l \mid x)) = -ln(\alpha_{T}(|l'|)+\alpha_{T}(|l'|-1)) - $$ - -根据后向概率计算CTCLoss函数，可以得出如下结论： - -1. 对于时序长度为T的输入序列x和输出序列z，后向概率： - $$ - \begin{split} - - \beta_t(s) &= \sum_{ \underset{\pi_t=l'_s}{\pi \in \mathcal{B}^{-1}(z)} } p(\pi_{t:T}|x) \newline - - \beta_T(|l'|) &= y_{-}^T ; \quad \beta_T(|l'|-1)=y^T_{l'_{|l'|-1}}, \quad \beta_T(s)=0, \forall s < |l'| - 1 \newline - - \beta_t(s) &= 0, \text{$\forall s > 2t$ or $\forall s < |l'|$} \newline - - \beta_t(s) &= - \begin{cases} - (\beta_{t+1}(s) + \beta_{t+1}(s+1) ) y^t_{l'_s} & \text{if $l'_s=b$ or $l'_{s+2} = l'_s$} \newline - (\beta_{t+1}(s) + \beta_{t+1}(s+1) + \beta_{t+1}(s+2))y^t_{l'_s} & \text{otherwise}\newline - \end{cases} - - \end{split} - $$ - - 2. 利用 $\beta_t(s)$计算CTCLoss： - -$$ --ln(p(l \mid x)) = -ln(\beta_{1}(1)+\beta_{1}(2)) \newline -$$ -根据任意时刻的前向概率和后向概率计算CTC Loss函数，得到如下结论： - -1. 对于任意时刻t，利用前向概率和后向概率计算CTCLoss： - -$$ -p(l \mid x) = \sum_{s=1}^{|l'|} \frac{\alpha_t(s)\beta_t(s)}{y_{l'_s}^t} \newline - --ln(p(l \mid x)) = -ln( \sum_{s=1}^{|l'|} \frac{\alpha_t(s) \beta_t(s)}{y_{l'_s}^t} ) -$$ -我们已经得到CTCLoss的计算方法，接下来对其进行求导。 - -## 2. CTC梯度计算 - -### 2.1 微分公式 - -在计算梯度前，我们先回顾下基本的微分公式： -$$ -C' &= 0 \newline -x' &= 1 \newline -x^n &= n \cdot x^{n-1} \newline -(e^x)' &= e^x \newline -log(x)' &= \frac{1}{x} \newline -(u + v)' &= u' + v' \newline -(\frac{u}{v})' &= \frac{u'v-uv'}{v^2} \newline -\frac{\mathrm{d}f(g(x))}{\mathrm{d}x} &= \frac{\mathrm{d}f(g(x))}{\mathrm{d}g(x)} \cdot \frac{\mathrm{d}g(x)}{\mathrm{d}x} -$$ - -### 2.2 CTC梯度 - -最大似然估计训练就是最大化训练集中每一个分类的对数概率，即最小化Eq. 12。 - -image-20211108164206136 - -最后就是算微分了， 整个推导过程就是加法和乘法， 都可以微分。 $\mathit{O}^{ML}$关于神经网络的输出 $y^t_k$的梯度见Eq. 13。因为训练样本是相互独立的，所以可以单独考虑每个样本，公式如Eq.13。 - -下面是CTCLoss的梯度计算： - -image-20211109143622448 - -### 2.3 CTC梯度推导 - -回顾下之前的公式，便于理解后续推导过程。 -$$ -p(l \mid x) = \sum_{s=1}^{|l'|} \frac{\alpha_t(s)\beta_t(s)}{y_{l'_s}^t} \\ - -\begin{equation} -\alpha_t(s) \beta_t(s) = \sum_{ \underset{\pi_t=l'_s}{\pi \in \mathcal{B}^{-1}(l):} } y^t_{l'_s} \prod_{t=1}^T y^t_{\pi_t} -\end{equation} -$$ -其中Eq. 15的计算过程如下： -$$ -\begin{align*} -\frac{\part p( -l \mid x)}{\part y_k^t} - & = \sum_{s \in lab(z,k)} \frac{ \part \frac{ \alpha_t(s) \beta_t(s)}{y_{k}^t}}{\part y_k^t} - \newline - & = \sum_{s \in lab(z,k)} \frac{(\alpha_t(s)\beta_t(s))’y_k^t - \alpha_t(s)\beta_t(s){y_k^t}'}{{y_k^t}^2} - \newline - &= \sum_{s \in lab(z,k)} \frac{( \prod_{t'=1}^{t-1} y^{t'}_{\pi_{t'}} \cdot y_k^t \cdot y_k^t \cdot \prod_{t'=t+1}^{T} y^{t'}_{\pi_{t'}} )’ y_k^t - \alpha_t(s)\beta_t(s){y_k^t}'}{{y_k^t}^2} - \newline - &= \sum_{s \in lab(z,k)} \frac{2\alpha_t(s)\beta_t(s) - \alpha_t(s)\beta_t(s)}{{y_k^t}^2} - \newline - &= \sum_{s \in lab(z,k)} \frac{\alpha_t(s)\beta_t(s)}{{y_k^t}^2} - \newline - &= \frac{1}{{y_k^t}^2} \sum_{s \in lab(z,k)} \alpha_t(s)\beta_t(s) \tag{1} \newline -\end{align*} -$$ - - -NLL的公式推导如下： -$$ -\begin{split} -\frac{\part {ln(p(l \mid x))} }{ \part y^t_k } - &= \frac{1}{p(l \mid x)} \frac{ \part{p(l \mid x)} }{ \part y_k^t } \newline - &= \frac{1}{p(l \mid x) {y^t_k}^2 } \sum_{s \in lab(z,k)} \alpha_t(s)\beta_t(s) -\end{split} - -\tag{2} -$$ - - -已经算出了CTCLoss对于 $y_k^t$​ 的梯度，接下来我们需要计算 CTCLoss对于$u^t_k$​（logits）的梯度。套用链式法则，并替换$y^t_k$​ 为 $y^t_{k'}$​，结果如下图。图中 $k'$​ 表示vocab中的某一个token，$K$​​ 是vocab的大小。 - -![](./img/ctc_loss_backward_2.png) - -图中公式4根据链式法则得到： -$$ -- \frac{ \part ln(p(l \mid x)) }{ \part u^t_k } - = - \sum_{k'=1}^{K} \frac{ \part ln(p(l \mid x)) }{ \part y^t_{k'} } \frac{ \part y^t_{k'} }{ \part u^t_k } \tag{4} -$$ -图中公式3是softmax的梯度，参考 [4]，计算过程如下： -$$ -softmax(j) = S_j = \frac{ e^{a_j} }{ \sum_{k=1}^K e^{a_k} }, \enspace \forall j \in 1 \dots K -$$ - -$$ -\begin{split} -\frac{ \part S_i }{ \part a_j} - &= \frac{ \part (\frac{ e^{ a_i } }{ \sum_k e^{ a_k } }) } { \part a_j } - \newline - &= - \begin{cases} - \frac{ e^a_i \sum - e^a_j e^a_i }{ \sum^2 } - &= \frac{ e^a_i }{ \sum } \frac{ \sum - e^a_j }{ \sum } \newline - &= S_i(1-S_j) & \text{i = j, $\sum$ stands for $\sum_{k=1}^K e^a_k$} - \newline - \frac{ 0 - e^a_j e^a_i }{ \sum^2 } - &= - \frac{ e^a_j }{ \sum } \frac{ e^a_i }{ \sum } \newline - &= -S_j S_i & \text{i $\neq$ j, $\sum$ stands for $\sum_{k=1}^K e^a_k$} - \end{cases} - \newline - &= - \begin{cases} - S_i(1 - S_j) & \text{$i = j$} - \newline - -S_j S_i = S_i (0 - S_j) & \text{$i \neq j$} - \end{cases} - \newline - &= S_i (\delta_{ij} - S_j ) -\end{split} -\tag{3} -$$ -$$ -\delta_{ij} = - \begin{cases} - 1 & \text{if i = j} \newline - 0 & \text{otherwise} - \end{cases} -$$ - - - -下图中黄色框中的部分表示公式（1），即遍历所有的vocab中的token，其结果是$p(l \mid x)$​。这是因为label $l$​ 中的token一定在vocab中，且 $s \in lab(l, k')$​ 可以是空集。当 $k'$​ 在 l 中，s 则为label中token是$k'$​的概率；当$k'$​​​不在l中，s为空，概率为0。 - -![img](./img/ctc_loss_backward_3.png) - -公式（2），（3）带入（4），并结合公式（1）的结果如上图右边，即： -$$ -\begin{split} -- \frac{ \part ln(p(l \mid x)) }{ \part u^t_k } &= - - \sum_{k'=1}^K \frac{ \part ln(p(l \mid x)) }{ \part y^t_{k'} } \frac{ \part y^t_{k'}}{ \part u^t_k } \newline - &= - \sum_{k'=1}^K \frac{ y^t_{k'}( \delta_{kk'} - y^t_k ) }{ p(l \mid x) {y^t_{k'}}^2 } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) \newline - &= - \sum_{k'=1}^K \frac{ \delta_{kk'} - y^t_k }{ p(l \mid x) y^t_{k'} } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) \newline - &= \sum_{k'=1}^K \frac{ y^t_k - \delta_{kk'} }{ p(l \mid x) y^t_{k'} } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) \newline - &= \sum_{k'=1}^K \frac{ y^t }{ p(l \mid x) y^t_{k'} } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) - \sum_{k'=1}^K \frac{ \delta_{kk'} }{ p(l \mid x) y^t_{k'} } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) \newline - &= \frac{ y^t_k }{ p(l \mid x) } ( \sum_{k'=1}^K \frac{1}{y^t_{k'}} \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) ) - \sum_{k'=1}^K \frac{ \delta_{kk'} }{ p(l \mid x) y^t_{k'} } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) \newline - &= \frac{ y^t_k }{ p(l \mid x) } p(l \mid x) - \sum_{k'=1}^K \frac{ \delta_{kk'} }{ p(l \mid x) y^t_{k'} } \sum_{s \in lab(l, k') } \alpha_t(s) \beta_t(s) \newline - &= y^t_k - \frac{ 1 }{ p(l \mid x) y^t_k } \sum_{s \in lab(l, k)} \alpha_t(s) \beta_t(s) \newline -\end{split} -$$ -最终，为了通过softmax层传播CTCLoss的梯度，需要计算目标函数与 logits $u^t_k$​的偏微分，即Eq. 16： -$$ -\begin{align*} -\hat{\alpha}_t(s) & \overset{def}{=} \frac{ \alpha_t(s) }{ C_t } ,\enspace C_t \overset{def}{=} \sum_s \alpha_t(s) -\newline - -\hat{\beta}_t(s) & \overset{def}{=} \frac{ \beta_t(s) }{ D_t } ,\enspace D_t \overset{def}{=} \sum_s \beta_t(s) -\newline - -- \frac{ \part ln(p(l \mid x)) }{ \part u^t_k } &= y^t_k - \frac{1}{y^t_k \sum_{s=1}^{\mid l' \mid} \frac{ \hat{\alpha}_t(s) \hat{\beta}_t(s) }{ y^t_{l'_s} } } \sum_{s \in lab(l, k)} \hat{\alpha}_t(s) \hat{\beta}_t(s) \tag{16} -\newline - -\end{align*} -$$ - -### 2.1 总结 - -* 通过动态规划算法计算$\alpha_t(s)$ 和 $\beta_t(s)$ - -* 通过$\alpha_t(s)$​ 计算 $p(l \mid x)=\alpha_T(\mid l' \mid) + \alpha_T(\mid l' \mid -1)$​​ - -* 通过$\alpha_t(s)$ 和 $\beta_t(s)$​ 计算CTcLoss函数的导数： - $$ - \begin{split} - - \frac{ \part ln(p(l \mid x)) }{ \part u^t_k } - &= y^t_k - \frac{ 1 }{ p(l \mid x) y^t_k } \sum_{s \in lab(l, k)} \alpha_t(s) \beta_t(s) - \newline - &= y^t_k - \frac{1}{y^t_k \sum_{s=1}^{\mid l' \mid} \frac{ \hat{\alpha}_t(s) \hat{\beta}_t(s) }{ y^t_{l'_s} } } \sum_{s \in lab(l, k)} \hat{\alpha}_t(s) \hat{\beta}_t(s) - \newline - \end{split} - - \tag{16} - $$ - -## Reference - -[[1] A. Graves, S. Fernandez, F. Gomez, J. Schmidhuber. Connectionist Temporal lassification: Labeling Unsegmented Sequence Data with Recurrent Neural Networks. ICML 2006, Pittsburgh, USA, pp. 369-376.](http://www.cs.toronto.edu/~graves/icml_2006.pdf) - -[[2] Sequence ModelingWith CTC](https://distill.pub/2017/ctc/) - -[[3] NLP 之 CTC Loss 的工作原理](https://www.jianshu.com/p/e073c9d91b20) - -[[4] The Softmax function and its derivative](https://eli.thegreenplace.net/2016/the-softmax-function-and-its-derivative/) - -[[5] CTC Algorithm Explained Part 1：Training the Network（CTC算法详解之训练篇）](https://xiaodu.io/ctc-explained/) -