CTCDecoder
1.0.0
更新2021：可安裝的Python軟件包
Python實現了一些共同的連接派時間分類（CTC）解碼算法。提供了簡約的語言模型。
pip install .tests/執行pytest以檢查安裝是否有效這是一個簡約的可執行示例：
import numpy as np
from ctc_decoder import best_path , beam_search
mat = np . array ([[ 0.4 , 0 , 0.6 ], [ 0.4 , 0 , 0.6 ]])
chars = 'ab'
print ( f'Best path: " { best_path ( mat , chars ) } "' )
print ( f'Beam search: " { beam_search ( mat , chars ) } "' ) CTC訓練的神經網絡的輸出mat （NUMPY陣列，已應用的SoftMax）有望具有Shape TXC，並將第一個參數傳遞給解碼器。 t是時間步長的數量，c字符數（CTC-Blank是最後一個元素）。神經網絡可以預測的字符作為chars傳遞給解碼器。解碼器返回解碼的字符串。
運行代碼輸出：
Best path: ""
Beam search: "a"
要查看有關如何使用解碼器的更多示例，請查看tests/文件夾中的腳本。
光束搜索可以選擇整合字符級的語言模型。 Beam搜索使用文本統計（Bigrams）來提高閱讀精度。
from ctc_decoder import beam_search , LanguageModel
# create language model instance from a (large) text
lm = LanguageModel ( 'this is some text' , chars )
# and use it in the beam search decoder
res = beam_search ( mat , chars , lm = lm )詞典搜索解碼器以最佳路徑解碼計算第一個近似值。然後，它使用BK-Tree檢索類似的單詞，得分並最終返回最佳得分單詞。通過提供字典單詞列表來創建BK-TREE。公差參數定義了從查詢單詞到返回的字典單詞的最大編輯距離。
from ctc_decoder import lexicon_search , BKTree
# create BK-tree from a list of words
bk_tree = BKTree ([ 'words' , 'from' , 'a' , 'dictionary' ])
# and use the tree in the lexicon search
res = lexicon_search ( mat , chars , bk_tree , tolerance = 2 )一些註釋：
rnn_outputmat = rnn_output[:, 0, :]推薦的解碼器：
best_path ：最佳路徑（或貪婪）解碼器，所有算法中最快的解碼器，但是，其他解碼器的表現通常更好beam_search ：光束搜索解碼器，可選地集成了字符級的語言模型，可以通過樑寬度參數調整lexicon_search ：詞典搜索解碼器，返回詞典中的最佳評分單詞根據我的經驗，其他解碼器並不真正適合實際目的，而是用於實驗或研究：
prefix_search ：前綴搜索解碼器token_passing ：令牌傳遞算法extras/文件夾）本文提供了何時使用最佳路徑解碼，梁搜索解碼和令牌傳遞的建議。
