文件名称：warp-ctc：快速并行CTC
文件大小：269KB
文件格式：ZIP
更新时间：2024-03-20 01:01:03
Cuda
经编 在CPU和GPU上快速并行实现CTC。 介绍 主义者的是一种损失函数，可用于对序列数据进行监督学习，而无需在输入数据和标签之间进行对齐。 例如，CTC可用于训练用于，这就是我们在百度的硅谷AI实验室中一直使用的方式。 上图显示了CTC计算输出序列“ THE CAT”的概率，作为可能映射到“ THE CAT”的输入序列的所有可能比对的总和，同时考虑到标签可能会重复，因为它们可能会延伸多个输入数据的时间步长（由图像底部的频谱图表示）。 由于所涉及的组合运算法则，显式地计算所有这些概率的和将是非常昂贵的，但是CTC使用动态编程来显着降低计算的复杂性。 由于CTC是微分函数，因此可以在深度神经网络的标准SGD训练期间使用它。 在我们的实验室中，我们专注于扩大递归神经网络，而CTC损失是重要的组成部分。 为了使我们的系统高效，我们对CTC算法进行了并行化处理，如。 此项目包含我们的高性能C
【文件预览】：
warp-ctc-master
----torch_binding()
--------rocks()
--------tests()
--------utils.c(1KB)
--------utils.h(1KB)
--------binding.cpp(7KB)
--------TUTORIAL.zh_cn.md(6KB)
--------init.lua(21B)
--------TUTORIAL.md(7KB)
----README.zh_cn.md(7KB)
----tensorflow_binding()
--------tests()
--------warpctc_tensorflow()
--------src()
--------setup.py(6KB)
--------.gitignore(52B)
--------README.md(3KB)
----tests()
--------test.h(2KB)
--------test_cpu.cpp(13KB)
--------test_gpu.cu(18KB)
----include()
--------ctc.h(10KB)
--------detail()
--------contrib()
----LICENSE(11KB)
----src()
--------reduce.cu(6KB)
--------ctc_entrypoint.cpp(10KB)
--------ctc_entrypoint.cu(18B)
----doc()
--------deep-speech-ctc-small.png(139KB)
--------baidu-research-logo-small.png(14KB)
----.gitignore(17B)
----CMakeLists.txt(9KB)
----README.md(8KB)