tensorflow LSTM+CTC使用详解

　　最近用tensorflow写了个OCR的程序，在实现的过程中，发现自己还是跳了不少坑，在这里做一个记录，便于以后回忆。主要的内容有lstm+ctc具体的输入输出，以及TF中的CTC和百度开源的warpCTC在具体使用中的区别。

正文

输入输出

因为我最后要最小化的目标函数就是ctc_loss，所以下面就从如何构造输入输出说起。

tf.nn.ctc_loss

先从TF自带的tf.nn.ctc_loss说起，官方给的定义如下，因此我们需要做的就是将图片的label（需要OCR出的结果），图片，以及图片的长度转换为label，input，和sequence_length。

ctc_loss(

labels,

inputs,

sequence_length,

preprocess_collapse_repeated=False,

ctc_merge_repeated=True,

time_major=True

)

input: 输入（训练）数据，是一个三维float型的数据结构[max_time_step , batch_size , num_classes]，当修改time_major = False时，[batch_size,max_time_step,num_classes]。

总体的数据流：
image_batch
->[batch_size,max_time_step,num_features]->lstm
->[batch_size,max_time_step,cell.output_size]->reshape
->[batch_size*max_time_step,num_hidden]->affine projection A*W+b
->[batch_size*max_time_step,num_classes]->reshape
->[batch_size,max_time_step,num_classes]->transpose
->[max_time_step,batch_size,num_classes]

下面详细解释一下，
假如一张图片有如下shape:[60,160,3]，我们如果读取灰度图则shape=[60,160]，此时，我们将其一列作为feature，那么共有60个features，160个time_step，这时假设一个batch为64，那么我们此时获得到了一个[batch_size,max_time_step,num_features] = [64,160,60]的训练数据。

然后将该训练数据送入构建的lstm网络中，(需要注意的是dynamic_rnn的输入数据在一个batch内的长度是固定的，但是不同batch之间可以不同,我们需要给他一个sequence_length（长度为batch_size的向量）来记录本次batch数据的长度，对于OCR这个问题，sequence_length就是长度为64，而值为160的一维向量)
得到形如[batch_size,max_time_step,cell.output_size]的输出，其中cell.output_size == num_hidden。

下面我们需要做一个线性变换将其送入ctc_loos中进行计算，lstm中不同time_step之间共享权值，所以我们只需定义W的结构为[num_hidden,num_classes]，b的结构为[num_classes]。而tf.matmul操作中，两个矩阵相乘阶数应当匹配，所以我们将上一步的输出reshape成[batch_size*max_time_step,num_hidden]（num_hidden为自己定义的lstm的unit个数）记为A，然后将其做一个线性变换，于是A*w+b得到形如[batch_size*max_time_step,num_classes]然后在reshape回来得到[batch_size,max_time_step,num_classes]最后由于ctc_loss的要求，我们再做一次转置，得到[max_time_step,batch_size,num_classes]形状的数据作为input

labels: 标签序列
由于OCR的结果是不定长的，所以label实际上是一个稀疏矩阵SparseTensor，
其中：

• indices:二维int64的矩阵，代表非0的坐标点
• values:二维tensor，代表indice位置的数据值
• dense_shape:一维，代表稀疏矩阵的大小
  比如有两幅图，分别是123,和4567那么
  indecs = [[0,0],[0,1],[0,2],[1,0],[1,1],[1,2],[1,3]]
  values = [1,2,3,4,5,6,7]
  dense_shape = [2,4]
  代表dense tensor:
  

  1 2	[[1,2,3,0] [4,5,6,7]]

---

seq_len: 在input一节中已经讲过，一维数据，[time_step,…,time_step]长度为batch_size,值为time_step