viterbi過程
1.hmm類似。 狀態轉移，發射概率
2.逐次計算每個序列節點的所有狀態下的概率值，最大概率值對應的index。
3.概率值的計算，上一個節點的概率值*轉移概率+當前概率值。
4.最後取出最大的一個值對應的indexes

難點： 理解viterbi的核心點，在於每個時間步都保留每一個可視狀態，每一個可視狀態保留上一個時間步的最大隱狀態轉移，
每一個時間步t記錄上一個最大概率轉移過來的時間步t-1的資訊，包括index/概率值累積。
迭代完時間步，根據最後一個最大累積概率值，逐個往前找即可。 根據index對應的狀態逐個往前找。

應用： 狀態轉移求解最佳轉移路徑。 只要連續時間步，每個時間步有狀態分佈，前後時間步之間有狀態轉移，就可以使用viterbi進行最佳狀態轉移計算求解。
狀態轉移矩陣的作用在於 在每個狀態轉移概率計算時，和固有的狀態轉移矩陣進行加和，再計算。相當於額外的概率新增。

 import numpy as np


def viterbi_decode(score, transition_params):
    """
    保留所有可視狀態下，對seqlen中的每一步的所有可視狀態情況下的中間狀態求解概率最大值，如此
    :param score:
    :param transition_params:
    :return:
    """
    # score  [seqlen,taglen]  transition_params [taglen,taglen]
    trellis=np.zeros_like(score)
    trellis[0]
 
=score[0]
    backpointers=np.zeros_like(score,dtype=np.int32)

    for t in range(1,len(score)):
        matrix_node=np.expand_dims(trellis[t-1],axis=1)+transition_params  #axis=0 代表發射概率初始狀態
        trellis[t]=score[t]+np.max(matrix_node,axis=0)
        backpointers[t]=np.argmax(matrix_node,axis=0)

    viterbi
 
=[np.argmax(trellis[-1],axis=0)]
    for backpointer in reversed(backpointers[1:]):
        viterbi.append(backpointer[viterbi[-1]])
    viterbi_score = np.max(trellis[-1])
    viterbi.reverse()
    print(trellis)
    return viterbi,viterbi_score
def calculate():
    score = np.array([[1, 2, 3],
              [2, 1, 3],
              [1, 3, 2],
              [3, 2,1]])  # (batch_size, time_step, num_tabs)
    transition = np.array([ [2, 1, 3], [1, 3, 2], [3, 2, 1] ] )# (num_tabs, num_tabs)
    lengths = [len(score[0])] # (batch_size, time_step) # numpy print("[numpy]")
    # np_op = viterbi_decode( score=np.array(score[0]), transition_params=np.array(transition))
    # print(np_op[0])
    # print(np_op[1])
    print("=============") # tensorflow
    # score_t = tf.constant(score, dtype=tf.int64)
    # transition_t = transition, dtype=tf.int64
    tf_op = viterbi_decode( score, transition)
    print('--------------------')
    print(tf_op)

if __name__=='__main__':
    calculate()