-
exhaustive search（穷举搜索）
最直观的方法就是穷举所有可能的输出序列。从所有的排列组合中找到输出条件概率最大的序列。穷举搜索能保证全局最优，但计算复杂度太高，当输出词典稍微大一点根本无法使用。 -
greedy search（贪心搜索）
贪心搜索在解码下一个选择的时候，直接选择条件概率最大的候选值作为当前最优。 -
beamsearch（集束搜索）
beam search的每一步不再只选择条件概率最大的值，而是选择概率值topk个（也即beam_size（束宽））。然后分别以这K个值做为下一个字解码的输入，则下个字会预测出K^2个概率。然后从这些概率中再选择topK个，重复上述过程。当beam_size=1时集束搜索就退化成了贪心搜索。 -
bayessearch (贝叶斯搜索）
建立目标函数的概率模型，并用它来选择最有希望的超参数来评估真实的目标函数。利用先验知识逼近未知目标函数的后验分布从而调节超参。花一点时间选择下一个超参数，以减少对目标函数的调用。贝叶斯调参采用高斯过程，考虑之前的参数信息，不断地更新先验；网格搜索未考虑之前的参数信息,贝叶斯调参迭代次数少，速度快；贝叶斯调参针对非凸问题依然稳健。 -
viterbisearch (维特比搜索）
相应的当前选择，最优解一定是前一个选择的最优解。在没有得到最终结果之前，每一个选择都有可能是最优解，所以在序列生成过程中，保留每一个选择的前一个选择的最优选，到最后一个选择时，回溯出全局最优解。
设建模单元为N， beam_size为K，解码所需时间步骤为T：
(1) 如果k=1，即为greedy search，时间复杂度为O(NT)(2)beam_search，时间复杂度为O(KNT)，局部最优
(3)如果K=N，即维特比算法，时间复杂度为O(NNT),全局最优