TrainingHelper

    TrainingHelper是 的子类。作为解码helper，它在每个解码时间步通过在完整序列输入 inputs 的相应位置切片作为各步的输入，并且使用 argmax 根据 cell.call() 的输出进行采样。 由于要求有完整的序列输入 inputs ，TrainingHelper主要用于以teach-forcing的方式进行最大似然训练，采样得到的内容通常不会使用。

    参数：

    • inputs (Variable) - 单个tensor变量或tensor变量组成的嵌套结构。当 time_major == False 时，tensor的形状应为

      ；当 time_major == True 时，tensor的形状应为

      TrainingHelper - 图1

      。在解码的每一步都要从中切片取出相应的数据。

    • sequence_length (Variable) - 形状为

      的tensor。它存储了 inputs 中每个样本的实际长度，可以据此来标识每个解码步中每个样本是否结束。

    示例代码

    initialize ( )

    TrainingHelper初始化，其通过在完整序列输入 inputs 中首个时间步的位置上切片，以此作为第一个解码步的输入，并给出每个序列是否结束的初始标识。这是 BasicDecoder 初始化的一部分。

    返回： 的二元组， initial_inputs 是单个tensor变量或tensor变量组成的嵌套结构，tensor的形状是

    TrainingHelper - 图2

    。 initial_finished 是一个bool类型且形状为

    的tensor。

    返回类型：tuple

    sample ( time, outputs, states )

    使用 argmax 根据 outputs 进行采样。由于使用完整序列中的切片作为下一解码步的输入，采样得到的内容通常不会使用。

    参数：

    • outputs (Variable) - tensor变量，通常其数据类型为float32或float64，形状为 [batch_size,vocabulary_size][batch_size,vocabulary_size] ，表示当前解码步预测产生的logit（未归一化的概率），和由 BasicDecoder.output_fn(BasicDecoder.cell.call()) 返回的 outputs 是同一内容。

    返回：数据类型为int64形状为 [batch_size][batch_size] 的tensor，表示采样得到的id。

    返回类型：Variable

    next_inputs ( time, outputs, states, sample_ids )

    从完整序列输入中当前时间步的位置上切片，以此作为产生下一解码步的输入；同时直接使用输入参数中的 作为下一解码步的状态；并比较当前时间与每个序列的大小，依此产生每个序列是否结束的标识。

    参数：

    • time (Variable) - 调用者提供的形状为[1]的tensor，表示当前解码的时间步长。其数据类型为int64。

    • outputs (Variable) - tensor变量，通常其数据类型为float32或float64，形状为 [batch_size,vocabulary_size][batch_size,vocabulary_size] ，表示当前解码步预测产生的logit（未归一化的概率），和由 BasicDecoder.output_fn(BasicDecoder.cell.call()) 返回的 outputs 是同一内容。

    • sample_ids (Variable) - 数据类型为int64形状为 [batch_size][batch_size] 的tensor，和由 sample() 返回的 sample_ids 是同一内容。

    返回： (finished, next_inputs, next_states) 的三元组。 next_inputs, next_states 均是单个tensor变量或tensor变量组成的嵌套结构，tensor的形状是 [batch_size,…][batch_size,…] ， next_states 和输入参数中的 相同； finished 是一个bool类型且形状为 [batch_size][batch_size] 的tensor。

    返回类型：tuple