beam_search¶

参数¶

• pre_ids （Variable） - LoD level为2的LodTensor，表示前一时间步选择的候选id，是前一时间步 beam_search 的输出。第一步时，其形状应为为 \([batch\_size，1]\) ， lod应为 \([[0,1，...，batch\_size]，[0,1，...，batch\_size]]\) 。数据类型为int64。
• pre_scores （Variable） - 维度和LoD均与 pre_ids 相同的LodTensor，表示前一时间步所选id对应的累积得分，是前一时间步 beam_search 的输出。数据类型为float32。
• ids （None|Variable） - 包含候选id的LodTensor。LoD应与 pre_ids 相同，形状为 \([batch\_size \times beam\_size，K]\) ，其中第一维大小与 pre_ids 相同且``batch_size`` 会随样本到达结束而自动减小， K 应该大于 beam_size 。数据类型为int64。可为空，为空时使用 scores 上的索引作为id。
• scores （Variable） - 表示 ids 对应的累积分数的LodTensor变量, 维度和LoD均与 ids 相同。
• beam_size （int） - 指明束搜索中的束宽度。
• end_id （int） - 指明标识序列结束的id。
• level （int，可选） - 可忽略，当前不能更改 。知道LoD level为2即可，两层lod的意义如下： 第一级表示每个源句（样本）包含的beam大小，若满足结束条件（达到 beam_size 个结束）则变为0；第二级是表示每个beam被选择的次数。
• is_accumulated （bool，可选） - 指明输入分数 scores 是否为累积分数，默认为True。
• name (str，可选) – 具体用法请参见 Name ，一般无需设置，默认值为None。
• return_parent_idx （bool，可选） - 指明是否返回一个额外的Tensor，该Tensor保存了选择的id的父节点（beam）在 pre_id 中索引，可用于通过gather OP更新其他Tensor的内容。默认为False。

返回¶

Variable的二元组或三元组。二元组中包含了当前时间步选择的id和对应的累积得分两个LodTensor，形状相同且均为 \([batch\_size×beam\_size，1]\) ，LoD相同且level均为2，数据类型分别为int64和float32；若 return_parent_idx 为True时为三元组，多返回一个保存了父节点在 pre_id 中索引的Tensor，形状为 \([batch\_size \times beam\_size]\) ，数据类型为int64。

返回类型¶

tuple

代码示例¶

import paddle.fluid as fluid

# 假设 `probs` 包含计算神经元所得的预测结果
# `pre_ids` 和 `pre_scores` 为beam_search之前时间步的输出
beam_size = 4
end_id = 1
pre_ids = fluid.layers.data(
    name='pre_id', shape=[1], lod_level=2, dtype='int64')
pre_scores = fluid.layers.data(
    name='pre_scores', shape=[1], lod_level=2, dtype='float32')
probs = fluid.layers.data(
    name='probs', shape=[10000], dtype='float32')
topk_scores, topk_indices = fluid.layers.topk(probs, k=beam_size)
accu_scores = fluid.layers.elementwise_add(
                                      x=fluid.layers.log(x=topk_scores),
                                      y=fluid.layers.reshape(
                                          pre_scores, shape=[-1]),
                                      axis=0)
selected_ids, selected_scores = fluid.layers.beam_search(
                                      pre_ids=pre_ids,
                                      pre_scores=pre_scores,
                                      ids=topk_indices,
                                      scores=accu_scores,
                                      beam_size=beam_size,
                                      end_id=end_id)