前言
代碼可在Github上下載:代碼下載
隱馬爾可夫模型在自然語言處理等各領域中,經常被用來處理標註問題。
隱馬爾可夫模型由初始狀態概率向量 、狀態轉移概率矩陣A和觀測概率矩陣B決定。其中 和A決定狀態序列,B決定觀測序列。
其中 ,表示t時刻的狀態 轉移到t+1時刻的狀態
其中 ,表示t時刻 生成觀測 的概率
其中 表示t=1時刻處於 的概率
其中隱馬爾可夫有兩個基本假設:
(1)齊次馬爾科夫行假設
(2)觀測獨立性假設
有了以上定義,我們來試圖解決隱馬爾可夫模型有3個基本問題:(1)概率計算問題(2)學習問題(3)預測問題。
本文主要實現了隱馬爾可夫模型中的前向算法,後向算法,以及維特比算法。重點講下前向算法,如果前向算法能理解,那後向算法和維特比算法也將迎刃而解。
概率計算算法
概率計算算法通常有(1)直接計算法(2)前向算法(3)後向算法。
前向算法實現
def forward(self, Q, V, A, B, O, PI): # 使用前向算法
N = len(Q) # 狀態序列的大小
M = len(O) # 觀測序列的大小
alphas = np.zeros((N, M)) # alpha值
T = M # 有幾個時刻,有幾個觀測序列,就有幾個時刻
for t in range(T): # 遍歷每一時刻,算出alpha值
indexOfO = V.index(O[t]) # 找出序列對應的索引
for i in range(N):
if t == 0: # 計算初值
alphas[i][t] = PI[t][i] * B[i][indexOfO] # P176(10.15)
print('alpha1(%d)=p%db%db(o1)=%f' % (i, i, i, alphas[i][t]))
else:
alphas[i][t] = np.dot([alpha[t - 1] for alpha in alphas], [a[i] for a in A]) * B[i][
indexOfO] # 對應P176(10.16)
print('alpha%d(%d)=[sigma alpha%d(i)ai%d]b%d(o%d)=%f' % (t, i, t - 1, i, i, t, alphas[i][t]))
# print(alphas)
P = np.sum([alpha[M - 1] for alpha in alphas]) # P176(10.17)
# alpha11 = pi[0][0] * B[0][0] #代表a1(1)
# alpha12 = pi[0][1] * B[1][0] #代表a1(2)
# alpha13 = pi[0][2] * B[2][0] #代表a1(3)
首先需要一個矩陣來存儲alpha值alphas = np.zeros((N, M)) #alpha值
,這裏定義了一個 大小的矩陣,每一列是一個時刻存儲的alpha值,總共有M(T個時刻)列。
按照書上P175算法10.2,需要遍歷每個時刻,所以for t in range(T): #遍歷每一時刻,算出alpha值
,然後每種時刻需要計算N個狀態,也就是for i in range(N):
。
當t=0時(由於大多數計算機編程的數組大多是從0開始,所以這裏的0代表是時刻t=1),我們需要計算初值,p176(10.15)
if t == 0: # 計算初值
alphas[i][t] = PI[t][i] * B[i][indexOfO]
然後,遞推算出,
alphas[i][t] = np.sum(np.multiply([alpha[t-1] for alpha in alphas], [a[i] for a in A])) * B[i][indexOfO] #對應P176(10.16)
等到執行完畢後,我們就得到了一個alpha矩陣了,這是這個算法最終的東西了。
也許看到這裏,有人會無法理解上面這段代碼和公式的寫法。這裏我解釋一下,通常看到 ,第一反應是會先想到用一個for循環來做,但是我這裏的做法是提取出兩個向量,然後求內積(使用np.dot(),這是一個可以求出內積的函數),這也是吳恩達所推薦的一種做法,原因對向量操作會for循環效率會高。
最後根據書上的公式得到最終的P,代碼如下。
P = np.sum([alpha[M - 1] for alpha in alphas]) # P176(10.17)
好,這裏也就是本次前向算法的實現。
後向算法實現
有了前向算法的實現,我們同理可以得到後向算法。
def backward(self, Q, V, A, B, O, PI): # 後向算法
N = len(Q) # 狀態序列的大小
M = len(O) # 觀測序列的大小
betas = np.ones((N, M)) # beta
for i in range(N):
print('beta%d(%d)=1' % (M, i))
for t in range(M - 2, -1, -1):
indexOfO = V.index(O[t + 1]) # 找出序列對應的索引
for i in range(N):
betas[i][t] = np.dot(np.multiply(A[i], [b[indexOfO] for b in B]), [beta[t + 1] for beta in betas])
realT = t + 1
realI = i + 1
print('beta%d(%d)=[sigma a%djbj(o%d)]beta%d(j)=(' % (realT, realI, realI, realT + 1, realT + 1),
end='')
for j in range(N):
print("%.2f*%.2f*%.2f+" % (A[i][j], B[j][indexOfO], betas[j][t + 1]), end='')
print("0)=%.3f" % betas[i][t])
# print(betas)
indexOfO = V.index(O[0])
P = np.dot(np.multiply(PI, [b[indexOfO] for b in B]), [beta[0] for beta in betas])
print("P(O|lambda)=", end="")
for i in range(N):
print("%.1f*%.1f*%.5f+" % (PI[0][i], B[i][indexOfO], betas[i][0]), end="")
print("0=%f" % P)
預測算法
類似的,等你學會實現前向算法,維特比算法也是依葫蘆畫瓢。這裏不再贅述,直接給出算法,該算法可以用來預測出狀態。
def viterbi(self, Q, V, A, B, O, PI):
N = len(Q) # 狀態序列的大小
M = len(O) # 觀測序列的大小
deltas = np.zeros((N, M))
psis = np.zeros((N, M))
I = np.zeros((1, M))
for t in range(M):
realT = t+1
indexOfO = V.index(O[t]) # 找出序列對應的索引
for i in range(N):
realI = i+1
if t == 0:
deltas[i][t] = PI[0][i] * B[i][indexOfO]
psis[i][t] = 0
print('delta1(%d)=pi%d * b%d(o1)=%.2f * %.2f=%.2f'%(realI, realI, realI, PI[0][i], B[i][indexOfO], deltas[i][t]))
print('psis1(%d)=0' % (realI))
else:
deltas[i][t] = np.max(np.multiply([delta[t-1] for delta in deltas], [a[i] for a in A])) * B[i][indexOfO]
print('delta%d(%d)=max[delta%d(j)aj%d]b%d(o%d)=%.2f*%.2f=%.5f'%(realT, realI, realT-1, realI, realI, realT, np.max(np.multiply([delta[t-1] for delta in deltas], [a[i] for a in A])), B[i][indexOfO], deltas[i][t]))
psis[i][t] = np.argmax(np.multiply([delta[t-1] for delta in deltas], [a[i] for a in A]))
print('psis%d(%d)=argmax[delta%d(j)aj%d]=%d' % (realT, realI, realT-1, realI, psis[i][t]))
print(deltas)
print(psis)
I[0][M-1] = np.argmax([delta[M-1] for delta in deltas])
print('i%d=argmax[deltaT(i)]=%d' % (M, I[0][M-1]+1))
for t in range(M-2, -1, -1):
I[0][t] = psis[int(I[0][t+1])][t+1]
print('i%d=psis%d(i%d)=%d' % (t+1, t+2, t+2, I[0][t]+1))
print(I)=argmax[deltaT(i)]=%d' % (M, I[0][M-1]+1))
for t in range(M-2, -1, -1):
I[0][t] = psis[int(I[0][t+1])][t+1]
print('i%d=psis%d(i%d)=%d' % (t+1, t+2, t+2, I[0][t]+1))
print(I)