看来，在谈到CTC功能时，Keras已经为你做了很多繁重的工作 . 但是我发现构建一个我不想在神经网络中运行的解码函数很棘手 . 我有一个在epoch端执行的自定义函数，然后我遍历所有我的测试数据并评估指标，我目前正在手动执行此操作但是想要使用k.ctc_decode函数（贪婪和梁）但是我发现很难访问并合并到我的自定义功能中 .
我有一个模特：
# Define CTC loss
def ctc_lambda_func(args):
y_pred, labels, input_length, label_length = args
return K.ctc_batch_cost(labels, y_pred, input_length, label_length)
def ctc_decode(args):
y_pred, input_length =args
seq_len = tf.squeeze(input_length,axis=1)
return K.ctc_decode(y_pred=y_pred, input_length=seq_len, greedy=True, beam_width=100, top_paths=1)
input_data = Input(name='the_input', shape=(None,mfcc_features))
x = TimeDistributed(Dense(fc_size, name='fc1', activation='relu'))(input_data)
y_pred = TimeDistributed(Dense(num_classes, name="y_pred", activation="softmax"))(x)
labels = Input(name='the_labels', shape=[None,], dtype='int32')
input_length = Input(name='input_length', shape=[1], dtype='int32')
label_length = Input(name='label_length', shape=[1], dtype='int32')
loss_out = Lambda(ctc_lambda_func, output_shape=(1,), name='ctc')([y_pred,labels,input_length,label_length])
dec = Lambda(ctc_decode, output_shape=[None,], name='decoder')([y_pred,input_length])
model = Model(inputs=[input_data, labels, input_length, label_length], outputs=[loss_out])
iterate = K.function([input_data, K.learning_phase()], [y_pred])
decode = K.function([y_pred, input_length], [dec])
目前的错误是：
dec = Lambda（ctc_decode，name ='decoder'）（[y_pred，input_length]）文件“/home/rob/py27/local/lib/python2.7/site-packages/keras/engine/topology.py”，第604行，在调用output_shape = self.compute_output_shape（input_shape）文件“/home/rob/py27/local/lib/python2.7/site-packages/keras/layers/core.py”，第631行，在compute_output_shape中返回K .int_shape（x）文件“/home/rob/py27/local/lib/python2.7/site-packages/keras/backend/tensorflow_backend.py”，第451行，in int_shape shape = x.get_shape（）AttributeError：'元组'对象没有属性'get_shape'
我有什么想法可以做到这一点？
1 回答
一个棘手的部分是
K.ctc_decode返回单个张量列表的元组，而不是单个张量，因此您无法直接创建图层 . 而是尝试使用K.function创建解码器：稍后您可以拨打您的解码器：
您可能需要进行一些整形，因为
K.ctc_decoder要求长度具有类似（样本）的形状，而长度张量是形状的（样本，1） .