关于 Image Caption 中测试时用到的 beam search算法

关于beam search

之前组会中没讲清楚的 beam search，这里给一个案例来说明这种搜索算法。

在 Image Caption的测试阶段，为了得到输出的语句，一般会选用两种搜索方式，一种是贪心采样的方法（sample），即：每个时刻都选择输出概率最大的那个单词，作为当前时刻的输出。

另一种常用的搜索方法就是：beam search。此处，借用知乎的一个案例：

假设词表大小为3，内容为a，b，c。beam search size是2，那么在decoder解码的时候：

1： 生成第1个词的时候，选择概率最大的2个词，假设为a,c,那么当前序列就是a,c

2：生成第2个词的时候，我们将当前序列a和c，分别与词表中的所有词进行组合，得到新的6个序列aa ab ac ca cb cc,然后从其中选择2个得分最高的，作为当前序列，假如为aa cb

3：后面会不断重复这个过程，直到遇到结束符为止。最终输出2个得分最高的序列。

这样，就可以根据一张图得到对应的2句描述，由于每一次都会有对应句子的总的概率输出乘积，也就可以选择一个最好的语句描述。下面是YouTube上关于该概念讲解的截图：

参考文献：

1. https://www.zhihu.com/question/54356960
2. https://www.youtube.com/watch?v=UXW6Cs82UKo
3. https://en.wikipedia.org/wiki/Beam_search