[LAB 13 · 看图生成一句话：训练、解码与消融](/course/notebooks/3da47f3ee3554ee0a36e0bb6a2fdc61f.html)

# 4. 推理只接自己的输出，再检查视觉依赖
[独立阅读](/course/notebook-blocks/fab7a942c9ab4a2ca8dc8d8c5d2877d9.html)
按问题继续

真实CNN–GRU条件训练与greedy/beam生成、遮图/错图消融

## 4. 推理只接自己的输出，再检查视觉依赖

Greedy 每一步取当前分布的 argmax，追加到自己的前缀，遇到 EOS 停止。下面的 beam 真实展开每条未结束假设，累加 log probability，并只保留分数最高的 3 条；结束假设不再扩展，最长生成 8 个新 token。此处没有长度归一化，所以不同长度会受原始句子概率的长度偏好影响。保留数据已足够简单，两种搜索都能答对，并未显示 beam 胜出。

本册的整句精确匹配比较解码后的内容字符串：颜色、形状和位置需与规范句一致。`words()`会忽略BOS/PAD并在EOS处截断，因此这个分数不单独检查EOS出现的具体位置；停止行为应另看生成token序列。它适合唯一规范句子的合成任务。自然图像可有多种正确描述，不能照搬此指标。视觉置零是分布外干预，单独下降还不够；因此再做固定错配：把保留集图像循环移位一个位置，保持真值句子不变。这个排列无固定点，但不等于均匀随机抽样，也不能当作“随机猜测基线”。

先预测：固定 `<bos> a`，红方块左侧换成蓝圆右侧，哪个词最先应改变？随后检查 `same_prefix_controls`，不要把数据生成器的标签当成模型生成。