依据RNN网络的性质，每个时刻输出一个字符，RNN的最终输出是字符序列S ，需要后处理才能得到标签T 。在实际应用中，例如文字识别过程中，S 和T 的长度是变化的，且不是等长的，那么就需要一种算法来完成对齐操作。CTC算法能够自动地完成S 和T 对齐。

在隐马尔可夫HMM中，使用前向后向算法主要解决问题是：给定HMM模型λ，以及观测序列O，求输出观测序列概率P(O|λ)。使用直接计算法是不能计算出来的，计算量太大。
而这个就是面临的就是这个问题。使用前向后向算法能够很好的解决这个问题。

	ctc_loss函数：
	tf.nn.ctc_loss( labels, logits, label_length, logit_length, logits_time_major=True, unique=None, blank_index=None, name=None )
	计算CTC（连接主义时间分类）损失。

notes:

• 这个类将执行softmax操作，所以输入应该是例如 LSTM对输出的线性预测。
• inputs：num_classes:num_labels+1个类， num_labels表示真实标签的数量，空白标签保留。
• preprocess_collapse_repeated：如果它设置为True，在丢失计算之前预处理时，传递给损失的重复标签将合并为单个标签。（强制对齐，不必要的重复）
• ctc_merge_repeated：如果设置为False,重复的非空白标签不会被合并，会解释为单个标签。
• ignore_longer_outputs_than_inputs选项允许在处理输出长于输入的序列时指定CTCLoss的行为。 如果为true，则CTCLoss将仅为这些项返回零梯度，否则返回InvalidArgument错误，停止训练。

参数：

• labels: 是一个 int32 类型的稀疏张量（SparseTensor）， labels.indices[i, :] == [b, t] 表示 labels.values[i] 保存着(batch b, time t)的 id，labels.values[i] must take on values in [0, num_labels)
• inputs: （常用变量 logits 表示）经过 RNN 后输出的标签预测值，是一个 3D 浮点 Tensor，当 time_major=True(默认)时形状为：(max_time * batch_size * num_classes)，否则形状为：batch_size * max_time * num_classes，ctc_loss will perform the softmax operation for you
• sequence_length: 1-D int32 vector, size 为 [batch_size]，vector 中的每个值表示序列的长度，形如[max_time_step,…,max_time_step] ，此 sequence_length 和用在 dynamic_rnn 中的 sequence_length 是一致的， 用来表示 rnn 的哪些输出不是 pad 的.
• preprocess_collapse_repeated: 是否需要预处理，将重复的 label 合并成一个，默认是 False
• ctc_merge_repeated: 默认为 True

return :

• A 1-D float Tensor, size [batch], containing the negative log probabilities，同样也需要对 ctc_loss 求均值。

Tensorflow 函数

	tf.nn.ctc_greedy_decoder(
	inputs,
	sequence_length,
	merge_repeated=True
	)
			
	tf.nn.ctc_beam_search_decoder(
	inputs,
	sequence_length,
	beam_width=100,
	top_paths=1,
	merge_repeated=True
	)