单个样本的Loss定义：
训练集上CTC Loss定义：
利用极大似然定义整体的损失，取log后，转化为将所有样本的loss求和qu'dui'shu：
CTC目标函数
给定语音序列 x，标签序列 z，对于所有满足能映射到序列z的解码路径，可用 前向-后向 算法求解：
α(t, u)·β(t, u)含义
对t时刻，输出标签‘u’的所有路径π的概率求和（s.t. 但是路径π必须满足映射后为z）。
formula 1
先计算单条路径的概率，然后对满足的所有路径概率求和
formula 2
P( z | x )
因此对所有输出字符u进行遍历，即为给定x输出z的概率。
因此得到单个样本的Loss：
CTC反向传播
对单个样本来说：
1. 对网络输出y的偏导：
因为我们要考虑 t时刻 输出 标签k 的所有路径，因此要引入前向-后向算法【见 formula 2】，于是有：
同时，因为标签k在序列z'中可能会出现多次，因此定义B(z, k)={ u: z'u = k }，那么就得到了p( z | x )对输出y的偏导：【实际上就是对所有输出标签k的位置计算损失，为了进行对齐】
最终单个样本对于网络输出y的偏导为：
2. 对输出层的偏导：
其中k’为遍历所有输出单元，网络输出y是输出层通过softmax得到的，即：
对Softmax求偏导，如下：【注意softmax要对 k = k' 和 k ≠ k 分别讨论】
将两种情况进行综合，于是上式的δkk'就是下式：
因此，得到网络输出y对输出层a的偏导，最终传到输出层的梯度为：
