CLAP
概述
CLAP 模型由 Yusong Wu、Ke Chen、Tianyu Zhang、Yuchen Hui、Taylor Berg-Kirkpatrick 和 Shlomo Dubnov 在 Large Scale Contrastive Language-Audio pretraining with feature fusion and keyword-to-caption augmentation 中提出。
CLAP(对比性语言-音频预训练)是一种神经网络,在各种(音频、文本)对上进行训练。它可以被指示在给定音频的情况下预测最相关的文本片段,而无需直接针对该任务进行优化。CLAP 模型使用 SWINTransformer 从对数梅尔频谱图输入中获取音频特征,并使用 RoBERTa 模型获取文本特征。然后将文本和音频特征投影到具有相同维度的潜在空间。然后将投影的音频和文本特征之间的点积用作相似性得分。
该论文的摘要是:
对比学习在多模态表示学习领域取得了显著成功。在本文中,我们提出了一种对比性语言-音频预训练流程,通过将音频数据与自然语言描述结合起来来开发音频表示。为了实现这一目标,我们首先发布了 LAION-Audio-630K,这是一个包含来自不同数据源的 633,526 个音频-文本对的大型集合。其次,我们通过考虑不同的音频编码器和文本编码器来构建对比性语言-音频预训练模型。我们将特征融合机制和关键词到标题增强纳入模型设计中,以进一步使模型能够处理可变长度的音频输入并提高性能。第三,我们进行了全面的实验,以评估我们的模型在三个任务中的表现:文本到音频检索、零样本音频分类和监督音频分类。结果表明,我们的模型在文本到音频检索任务中取得了优异的性能。在音频分类任务中,该模型在零样本设置中实现了最先进的性能,并且能够在非零样本设置中获得与模型结果相当的性能。LAION-Audio-6
该模型由 Younes Belkada 和 Arthur Zucker 贡献。原始代码可以在 此处 找到。
ClapConfig
类 transformers.ClapConfig
< 源代码 >( text_config = None audio_config = None logit_scale_init_value = 14.285714285714285 projection_dim = 512 projection_hidden_act = 'relu' initializer_factor = 1.0 **kwargs )
参数
- text_config (
dict
,可选) — 用于初始化 ClapTextConfig 的配置选项字典。 - audio_config (
dict
,可选) — 用于初始化 ClapAudioConfig 的配置选项字典。 - **logit_scale_init_value** (``float``, *可选*, 默认值为 14.29) — *logit_scale* 参数的初始值。根据原始 CLAP 实现使用默认值。
- **projection_dim** (``int``, *可选*, 默认值为 512) — 文本和音频投影层的维度。
- **projection_hidden_act** (``str``, *可选*, 默认值为 ``"relu"``) — 投影层的激活函数。
- **initializer_factor** (``float``, *可选*, 默认值为 1.0) — 用于缩放模型权重初始化的因子。
- **kwargs** (*可选*) — 关键字参数字典。
ClapConfig 是用于存储 ClapModel 配置的配置类。它用于根据指定的参数实例化 CLAP 模型,定义文本模型和音频模型配置。使用默认值实例化配置将产生与 CLAP laion/clap-htsat-fused 架构相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档了解更多信息。
示例
>>> from transformers import ClapConfig, ClapModel
>>> # Initializing a ClapConfig with laion-ai/base style configuration
>>> configuration = ClapConfig()
>>> # Initializing a ClapModel (with random weights) from the laion-ai/base style configuration
>>> model = ClapModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a ClapConfig from a ClapTextConfig and a ClapAudioConfig
>>> from transformers import ClapTextConfig, ClapAudioConfig
>>> # Initializing a ClapText and ClapAudioConfig configuration
>>> config_text = ClapTextConfig()
>>> config_audio = ClapAudioConfig()
>>> config = ClapConfig.from_text_audio_configs(config_text, config_audio)
from_text_audio_configs
< source >( text_config: ClapTextConfig audio_config: ClapAudioConfig **kwargs ) → ClapConfig
从 clap 文本模型配置和 clap 音频模型配置实例化 ClapConfig(或派生类)。
ClapTextConfig
class transformers.ClapTextConfig
< source >( vocab_size = 50265 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout_prob = 0.1 attention_probs_dropout_prob = 0.1 max_position_embeddings = 514 type_vocab_size = 1 initializer_factor = 1.0 layer_norm_eps = 1e-12 projection_dim = 512 pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 position_embedding_type = 'absolute' use_cache = True projection_hidden_act = 'relu' **kwargs )
参数
- vocab_size (
int
, 可选的, 默认值 30522) — CLAP 模型的词汇量。定义在调用 ClapTextModel 时传递的inputs_ids
可以表示的不同标记的数量。 - hidden_size (
int
, 可选的, 默认值 768) — 编码器层和池化层的维度。 - num_hidden_layers (
int
, 可选的, 默认值 12) — Transformer 编码器中的隐藏层数。 - num_attention_heads (
int
, 可选, 默认值为 12) — Transformer 编码器中每个注意力层的注意力头数。 - intermediate_size (
int
, 可选, 默认值为 3072) — Transformer 编码器中“中间”(通常称为前馈)层的维度。 - hidden_act (
str
或Callable
, 可选, 默认值为"relu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"relu"
、"relu"
、"silu"
和"relu_new"
。 - hidden_dropout_prob (
float
, 可选, 默认值为 0.1) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。 - attention_probs_dropout_prob (
float
, 可选, 默认值为 0.1) — 注意力概率的 dropout 比率。 - max_position_embeddings (
int
, 可选, 默认值为 512) — 此模型可能使用的最大序列长度。通常将其设置为较大的值以防万一(例如,512、1024 或 2048)。 - type_vocab_size (
int
, 可选, 默认值为 2) — 调用 ClapTextModel 时传递的token_type_ids
的词汇量大小。 - layer_norm_eps (
float
, 可选, 默认值为 1e-12) — 层归一化层使用的 epsilon。 - position_embedding_type (
str
, 可选, 默认值为"absolute"
) — 位置嵌入的类型。从"absolute"
、"relative_key"
、"relative_key_query"
中选择一个。对于位置嵌入,请使用"absolute"
。有关"relative_key"
的更多信息,请参阅 具有相对位置表示的自注意力(Shaw 等人)。有关"relative_key_query"
的更多信息,请参阅 使用更好的相对位置嵌入改进 Transformer 模型(Huang 等人) 中的 *方法 4*。 - is_decoder (
bool
, 可选, 默认值为False
) — 模型是否用作解码器。如果为False
,则模型用作编码器。 - use_cache (
bool
, 可选, 默认值为True
) — 模型是否应该返回最后的键/值注意力(并非所有模型都使用)。仅在config.is_decoder=True
时相关。 - projection_hidden_act (
str
, 可选, 默认值为"relu"
) — 投影层中的非线性激活函数(函数或字符串)。如果是字符串,则支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - projection_dim (
int
, 可选, 默认值为 512) —ClapTextModelWithProjection
的投影头的维度。
这是用于存储 ClapTextModel 配置的配置类。它用于根据指定的参数实例化 CLAP 模型,定义模型架构。使用默认值实例化配置将产生与 CLAP calp-hsat-fused 架构相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档了解更多信息。
示例
>>> from transformers import ClapTextConfig, ClapTextModel
>>> # Initializing a CLAP text configuration
>>> configuration = ClapTextConfig()
>>> # Initializing a model (with random weights) from the configuration
>>> model = ClapTextModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ClapAudioConfig
class transformers.ClapAudioConfig
< source >( window_size = 8 num_mel_bins = 64 spec_size = 256 hidden_act = 'gelu' patch_size = 4 patch_stride = [4, 4] num_classes = 527 hidden_size = 768 projection_dim = 512 depths = [2, 2, 6, 2] num_attention_heads = [4, 8, 16, 32] enable_fusion = False hidden_dropout_prob = 0.1 fusion_type = None patch_embed_input_channels = 1 flatten_patch_embeds = True patch_embeds_hidden_size = 96 enable_patch_layer_norm = True drop_path_rate = 0.0 attention_probs_dropout_prob = 0.0 qkv_bias = True mlp_ratio = 4.0 aff_block_r = 4 num_hidden_layers = 4 projection_hidden_act = 'relu' layer_norm_eps = 1e-05 initializer_factor = 1.0 **kwargs )
参数
- window_size (
int
,可选,默认为 8) — 语谱图的图像大小 - num_mel_bins (
int
,可选,默认为 64) — 每帧使用的梅尔特征数量。应该与ClapProcessor
类中使用的值相对应。 - spec_size (
int
,可选,默认为 256) — 模型支持的语谱图的期望输入大小。它可以与ClapFeatureExtractor
的输出不同,在这种情况下,输入特征将被调整大小。对应于音频模型的image_size
。 - hidden_act (
str
, 可选, 默认为"gelu"
) — 编码器和池化层中的非线性激活函数(函数或字符串)。 如果是字符串,则支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - patch_size (
int
, 可选, 默认为 4) — 音频频谱图的补丁大小 - patch_stride (
list
, 可选, 默认为[4, 4]
) — 音频频谱图的补丁步长 - num_classes (
int
, 可选, 默认为 527) — 用于头部训练的类别数量 - hidden_size (
int
, 可选, 默认为 768) — 音频编码器输出的隐藏大小。 对应于倒数第二层输出的维度,该输出将发送到投影 MLP 层。 - projection_dim (
int
, 可选, 默认为 512) — 投影层的隐藏大小。 - depths (
list
, 可选, 默认为[2, 2, 6, 2]
) — 用于音频模型的 Swin 层的深度 - num_attention_heads (
list
, 可选, 默认为[4, 8, 16, 32]
) — 用于音频模型的 Swin 层的注意力头数量 - enable_fusion (
bool
,可选,默认为False
) — 是否启用补丁融合。这是作者的主要贡献,应该会得到最好的结果。 - hidden_dropout_prob (
float
,可选,默认为 0.1) — 编码器中所有全连接层的 dropout 概率。 - fusion_type (
[type]
,可选) — 用于补丁融合的融合类型。 - patch_embed_input_channels (
int
,可选,默认为 1) — 用于输入声谱图的通道数 - flatten_patch_embeds (
bool
,可选,默认为True
) — 是否展平补丁嵌入 - patch_embeds_hidden_size (
int
,可选,默认为 96) — 补丁嵌入的隐藏大小。它用作输出通道的数量。 - enable_patch_layer_norm (
bool
,可选,默认为True
) — 是否对补丁嵌入启用层归一化 - drop_path_rate (
float
, 可选, 默认值为 0.0) — 面片融合的丢弃路径率 - attention_probs_dropout_prob (
float
, 可选, 默认值为 0.0) — 注意力概率的丢弃率。 - qkv_bias (
bool
, 可选, 默认值为True
) — 是否为查询、键、值投影添加偏差。 - mlp_ratio (
float
, 可选, 默认值为 4.0) — mlp 隐藏维度与嵌入维度的比率。 - aff_block_r (
int
, 可选, 默认值为 4) — AudioFF 块中使用的下采样率 - num_hidden_layers (
int
, 可选, 默认值为 4) — Transformer 编码器中的隐藏层数。 - projection_hidden_act (
str
, 可选, 默认值为"relu"
) — 投影层中的非线性激活函数(函数或字符串)。 如果是字符串,则支持"gelu"
、"relu"
、"silu"
和"gelu_new"
。 - layer_norm_eps (
[type]
, 可选, 默认值为 1e-05) — 层归一化层使用的 epsilon。 - initializer_factor (
float
,*可选*,默认为 1.0) — 初始化所有权重矩阵的因子(应保持为 1,在内部用于初始化测试)。
这是用于存储 ClapAudioModel 配置的配置类。它用于根据指定的参数实例化 CLAP 音频编码器,定义模型架构。使用默认值实例化配置将产生与 CLAP laion/clap-htsat-fused 架构的音频编码器类似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。阅读 PretrainedConfig 的文档了解更多信息。
示例
>>> from transformers import ClapAudioConfig, ClapAudioModel
>>> # Initializing a ClapAudioConfig with laion/clap-htsat-fused style configuration
>>> configuration = ClapAudioConfig()
>>> # Initializing a ClapAudioModel (with random weights) from the laion/clap-htsat-fused style configuration
>>> model = ClapAudioModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ClapFeatureExtractor
类 transformers.ClapFeatureExtractor
< source >( feature_size = 64 sampling_rate = 48000 hop_length = 480 max_length_s = 10 fft_window_size = 1024 padding_value = 0.0 return_attention_mask = False frequency_min: float = 0 frequency_max: float = 14000 top_db: int = None truncation: str = 'fusion' padding: str = 'repeatpad' **kwargs )
参数
- feature_size (
int
,*可选*,默认为 64) — 提取的梅尔频谱图的特征维度。这对应于梅尔滤波器的数量 (n_mels
)。 - sampling_rate (
int
,*可选*,默认为 48000) — 音频文件应数字化的采样率,以赫兹 (Hz) 表示。这仅用于在提供给特征提取器的音频没有相同的采样率时警告用户。 - hop_length (
int
,可选,默认为 480) — 用于获取梅尔频谱图的 STFT 重叠窗口的长度。音频将被分割成更小的帧
,每帧之间有一个hop_length
的步长。 - max_length_s (
int
,可选,默认为 10) — 模型的最大输入长度(以秒为单位)。这用于填充音频。 - fft_window_size (
int
,可选,默认为 1024) — 应用傅里叶变换的窗口大小(以样本为单位)。这控制着频谱图的频率分辨率。400 意味着在 400 个样本的窗口上计算傅里叶变换。 - padding_value (
float
,可选,默认为 0.0) — 用于填充音频的填充值。应对应于静音。 - return_attention_mask (
bool
,可选,默认为False
) — 模型是否应返回与输入相对应的注意力掩码。 - frequency_min (
float
,可选,默认为 0) — 感兴趣的最低频率。STFT 不会计算低于此值的值。 - frequency_max (
float
,可选,默认为 14000) — 感兴趣的最高频率。STFT 不会计算高于此值的值。 - top_db (
float
,可选) — 用于将梅尔频谱图转换为对数刻度的最高分贝值。有关更多详细信息,请参阅audio_utils.power_to_db
函数。 - truncation (
str
, 可选, 默认为"fusion"
) — 长音频输入的截断模式。有两种模式可用:fusion
将使用_random_mel_fusion
,它将梅尔频谱图的 3 个随机裁剪和整个梅尔频谱图的下采样版本堆叠在一起。如果config.fusion
设置为 True,则较短的音频也需要返回 4 个梅尔,这将只是从填充音频获得的原始梅尔的副本。rand_trunc
将选择梅尔频谱图的随机裁剪。
- padding (
str
, 可选, 默认为"repeatpad"
) — 较短音频输入的填充模式。最初实现了三种模式:repeatpad
:重复音频,然后填充以适应max_length
。repeat
:重复音频,然后剪切以适应max_length
pad
:填充音频。
构造一个 CLAP 特征提取器。
此特征提取器继承自 SequenceFeatureExtractor,其中包含大多数主要方法。用户应该参考这个超类以获取有关这些方法的更多信息。
此类使用自定义 numpy 实现的*短时傅立叶变换*(STFT)从原始语音中提取梅尔滤波器组特征,该实现应与 pytorch 的 torch.stft
等效。
to_dict
< source >( ) → Dict[str, Any]
返回值
Dict[str, Any]
组成此配置实例的所有属性的字典,但梅尔滤波器组除外,因为它们太长,不需要保存或打印。
将此实例序列化为 Python 字典。
ClapProcessor
class transformers.ClapProcessor
< source >( feature_extractor tokenizer )
参数
- feature_extractor (ClapFeatureExtractor) — 音频处理器是必需的输入。
- tokenizer (RobertaTokenizerFast) — 分词器是必需的输入。
构造一个 CLAP 处理器,它将 CLAP 特征提取器和 RoBerta 分词器封装到一个处理器中。
ClapProcessor 提供了 ClapFeatureExtractor 和 RobertaTokenizerFast 的所有功能。有关更多信息,请参阅 __call__()
和 decode()。
此方法将其所有参数转发给 RobertaTokenizerFast 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。
此方法将其所有参数转发给 RobertaTokenizerFast 的 decode()。有关更多信息,请参阅此方法的文档字符串。
ClapModel
class transformers.ClapModel
< source >( config: ClapConfig )
参数
- config (ClapConfig) — 模型配置类,包含模型的所有参数。使用配置文件初始化不会加载与模型关联的权重,只会加载配置。查看 from_pretrained() 方法来加载模型权重。
此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头部等)。
此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般用法和行为的所有信息。
forward
< source >( input_ids: Optional = None input_features: Optional = None is_longer: Optional = None attention_mask: Optional = None position_ids: Optional = None return_loss: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.clap.modeling_clap.ClapOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。如果您提供了填充,默认情况下将忽略它。索引可以使用 AutoTokenizer 获取。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 掩码以避免对填充标记索引执行注意力。在[0, 1]
中选择的掩码值:- 1 表示**未屏蔽**的标记,
- 0 表示**已屏蔽**的标记。
- position_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - input_features (
torch.FloatTensor
,形状为(batch_size, num_channels, height, width)
) — 输入音频特征。这应该由 ClapFeatureExtractor 类返回,您也可以从 AutoFeatureExtractor 中检索该类。有关详细信息,请参阅ClapFeatureExtractor.__call__()
。 - return_loss (
bool
, 可选) — 是否返回对比损失。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。 有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。 有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.models.clap.modeling_clap.ClapOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.clap.modeling_clap.ClapOutput
或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含根据配置 (<class 'transformers.models.clap.configuration_clap.ClapConfig'>
) 和输入的不同元素。
- loss (形状为
(1,)
的torch.FloatTensor
, 可选, 当return_loss
为True
时返回) — 音频-文本相似度的对比损失。 - logits_per_audio (形状为
(audio_batch_size, text_batch_size)
的torch.FloatTensor
) —audio_embeds
和text_embeds
之间的缩放点积分数。这表示音频-文本相似度分数。 - logits_per_text (形状为
(text_batch_size, audio_batch_size)
的torch.FloatTensor
) —text_embeds
和audio_embeds
之间的缩放点积分数。这表示文本-音频相似度分数。 - text_embeds (形状为
(batch_size, output_dim
的torch.FloatTensor
) — 通过将投影层应用于 ClapTextModel 的池化输出获得的文本嵌入。 - audio_embeds (形状为
(batch_size, output_dim
的torch.FloatTensor
) — 通过将投影层应用于 ClapAudioModel 的池化输出获得的音频嵌入。 - text_model_output (
BaseModelOutputWithPooling
) — ClapTextModel 的输出。 - audio_model_output (
BaseModelOutputWithPooling
) — ClapAudioModel 的输出。
ClapModel 的前向方法,覆盖了 __call__
特殊方法。
尽管前向传递的方案需要在此函数中定义,但之后应该调用 Module
实例而不是此实例,因为前者负责运行前处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from datasets import load_dataset
>>> from transformers import AutoProcessor, ClapModel
>>> dataset = load_dataset("hf-internal-testing/ashraq-esc50-1-dog-example")
>>> audio_sample = dataset["train"]["audio"][0]["array"]
>>> model = ClapModel.from_pretrained("laion/clap-htsat-unfused")
>>> processor = AutoProcessor.from_pretrained("laion/clap-htsat-unfused")
>>> input_text = ["Sound of a dog", "Sound of vaccum cleaner"]
>>> inputs = processor(text=input_text, audios=audio_sample, return_tensors="pt", padding=True)
>>> outputs = model(**inputs)
>>> logits_per_audio = outputs.logits_per_audio # this is the audio-text similarity score
>>> probs = logits_per_audio.softmax(dim=-1) # we can take the softmax to get the label probabilities
get_text_features
< 源代码 >( input_ids: Optional = None attention_mask: Optional = None position_ids: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → text_features (torch.FloatTensor
形状为 (batch_size, output_dim
)
参数
- input_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。如果您提供填充,默认情况下将忽略它。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.Tensor
形状为(batch_size, sequence_length)
, 可选) — 掩码以避免对填充标记索引执行注意力。在[0, 1]
中选择的掩码值:- 未被掩码 的标记为 1,
- 被掩码 的标记为 0。
- position_ids (
torch.LongTensor
形状为(batch_size, sequence_length)
, 可选) — 位置嵌入中每个输入序列标记的位置索引。在[0, config.max_position_embeddings - 1]
范围内选择。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
text_features (torch.FloatTensor
形状为 (batch_size, output_dim
)
通过将投影层应用于 ClapTextModel 的池化输出获得的文本嵌入。
ClapModel 的前向方法,覆盖了 __call__
特殊方法。
尽管前向传递的方案需要在此函数中定义,但之后应该调用 Module
实例而不是此实例,因为前者负责运行前处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, ClapModel
>>> model = ClapModel.from_pretrained("laion/clap-htsat-unfused")
>>> tokenizer = AutoTokenizer.from_pretrained("laion/clap-htsat-unfused")
>>> inputs = tokenizer(["the sound of a cat", "the sound of a dog"], padding=True, return_tensors="pt")
>>> text_features = model.get_text_features(**inputs)
get_audio_features
< source >( input_features: Optional = None is_longer: Optional = None attention_mask: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → audio_features (torch.FloatTensor
形状为 (batch_size, output_dim
)
参数
- input_features (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 输入音频特征。这应该由 ClapFeatureExtractor 类返回,您也可以从 AutoFeatureExtractor 中检索。有关详细信息,请参阅ClapFeatureExtractor.__call__()
。 - is_longer (
torch.FloatTensor
,形状为(batch_size, 1)
,*可选*) — 音频剪辑是否比max_length
长。如果为True
,则将启用特征融合以增强特征。 - output_attentions (
bool
,*可选*) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
,*可选*) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
,*可选*) — 是否返回 ModelOutput 而不是普通元组。
返回值
audio_features (torch.FloatTensor
形状为 (batch_size, output_dim
)
通过将投影层应用于 ClapAudioModel 的池化输出获得的音频嵌入。
ClapModel 的前向方法,覆盖了 __call__
特殊方法。
尽管前向传递的方案需要在此函数中定义,但之后应该调用 Module
实例而不是此实例,因为前者负责运行前处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, ClapModel
>>> import torch
>>> model = ClapModel.from_pretrained("laion/clap-htsat-unfused")
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("laion/clap-htsat-unfused")
>>> random_audio = torch.rand((16_000))
>>> inputs = feature_extractor(random_audio, return_tensors="pt")
>>> audio_features = model.get_audio_features(**inputs)
ClapTextModel
该模型可以作为编码器(仅具有自注意力机制)以及解码器,在这种情况下,在自注意力层之间添加一层交叉注意力层,遵循 Ashish Vaswani、Noam Shazeer、Niki Parmar、Jakob Uszkoreit、Llion Jones、Aidan N. Gomez、Lukasz Kaiser 和 Illia Polosukhin 在_Attention is all you need_中描述的架构。
为了充当解码器,需要使用将配置的 is_decoder
参数设置为 True
来初始化模型。要在 Seq2Seq 模型中使用,需要使用 is_decoder
参数和 add_cross_attention
都设置为 True
来初始化模型;然后,encoder_hidden_states
将作为输入传递给前向传递。
.. _Attention is all you need: https://arxiv.org/abs/1706.03762
forward
< 源代码 >( input_ids: Optional = None attention_mask: Optional = None token_type_ids: Optional = None position_ids: Optional = None head_mask: Optional = None inputs_embeds: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None past_key_values: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )
encoder_hidden_states (torch.FloatTensor
,形状为 (batch_size, sequence_length, hidden_size)
,可选): 编码器最后一层输出的隐藏状态序列。如果模型被配置为解码器,则在交叉注意力中使用。 encoder_attention_mask (torch.FloatTensor
,形状为 (batch_size, sequence_length)
,可选): 掩码,用于避免对编码器输入的填充标记索引执行注意力。如果模型被配置为解码器,则在交叉注意力中使用此掩码。掩码值在 [0, 1]
中选择
- 1 表示**未被屏蔽**的标记,
- 0 表示**被屏蔽**的标记。 past_key_values (长度为
config.n_layers
的tuple(tuple(torch.FloatTensor))
,每个元组包含 4 个形状为(batch_size, num_heads, sequence_length - 1, embed_size_per_head)
的张量): 包含注意力块的预计算键和值隐藏状态。可用于加速解码。
如果使用了 past_key_values
,则用户可以选择仅输入形状为 (batch_size, 1)
的最后 decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的 decoder_input_ids
),而不是输入形状为 (batch_size, sequence_length)
的所有 decoder_input_ids
。 use_cache (bool
,可选): 如果设置为 True
,则返回 past_key_values
键值状态,并且可以使用这些状态来加速解码(请参阅 past_key_values
)。
ClapTextModelWithProjection
类 transformers.ClapTextModelWithProjection
< source >( config: ClapTextConfig )
参数
- config (ClapConfig) — 模型配置类,包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重,只会加载配置。 查看 from_pretrained() 方法来加载模型权重。
CLAP 文本模型,顶部带有投影层(池化输出顶部的线性层)。
此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头部等)。
此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般用法和行为的所有信息。
forward
< source >( input_ids: Optional = None attention_mask: Optional = None position_ids: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.clap.modeling_clap.ClapTextModelOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
) — 词汇表中输入序列标记的索引。 如果您提供填充,默认情况下将忽略它。可以使用 AutoTokenizer 获取索引。 有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 。
- attention_mask (
torch.Tensor
,形状为(batch_size, sequence_length)
,可选) — 掩码,用于避免对填充标记索引执行注意力。 在[0, 1]
中选择的掩码值:- 未屏蔽标记为 1,
- 已屏蔽标记为 0。
- **position_ids** (形状为 `(batch_size, sequence_length)` 的 `torch.LongTensor`,可选) — 位置嵌入中每个输入序列标记的位置索引。在 `[0, config.max_position_embeddings - 1]` 范围内选择。
- **output_attentions** (`bool`,可选) — 是否返回所有注意力层的注意力张量。有关详细信息,请参阅返回张量下的 `attentions`。
- **output_hidden_states** (`bool`,可选) — 是否返回所有层的隐藏状态。有关详细信息,请参阅返回张量下的 `hidden_states`。
- **return_dict** (`bool`,可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.models.clap.modeling_clap.ClapTextModelOutput
或 tuple(torch.FloatTensor)
`transformers.models.clap.modeling_clap.ClapTextModelOutput` 或 `torch.FloatTensor` 元组(如果传递了 `return_dict=False` 或 `config.return_dict=False`)包含根据配置(`<class 'transformers.models.clap.configuration_clap.ClapTextConfig'>`)和输入而定的各种元素。
-
**text_embeds** (形状为 `(batch_size, output_dim)` 的 `torch.FloatTensor`,可选,当模型使用 `with_projection=True` 初始化时返回) — 通过将投影层应用于 pooler_output 获得的文本嵌入。
-
**last_hidden_state** (形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.FloatTensor`) — 模型最后一层输出处的隐藏状态序列。
-
**hidden_states** (`tuple(torch.FloatTensor)`,可选,当传递 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) — 形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.FloatTensor` 元组(如果模型有嵌入层,则一个用于嵌入的输出 + 一个用于每一层的输出)。
模型在每一层输出处的隐藏状态以及可选的初始嵌入输出。
-
**attentions** (`tuple(torch.FloatTensor)`,可选,当传递 `output_attentions=True` 或 `config.output_attentions=True` 时返回) — 形状为 `(batch_size, num_heads, sequence_length, sequence_length)` 的 `torch.FloatTensor` 元组(每一层一个)。
注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
ClapTextModelWithProjection 前向方法重写了 `__call__` 特殊方法。
尽管前向传递的方案需要在此函数中定义,但之后应该调用 Module
实例而不是此实例,因为前者负责运行前处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from transformers import AutoTokenizer, ClapTextModelWithProjection
>>> model = ClapTextModelWithProjection.from_pretrained("laion/clap-htsat-unfused")
>>> tokenizer = AutoTokenizer.from_pretrained("laion/clap-htsat-unfused")
>>> inputs = tokenizer(["a sound of a cat", "a sound of a dog"], padding=True, return_tensors="pt")
>>> outputs = model(**inputs)
>>> text_embeds = outputs.text_embeds
ClapAudioModel
forward
< source >( input_features: Optional = None is_longer: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
参数
- input_features (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 输入音频特征。这应该由 ClapFeatureExtractor 类返回,您也可以从 AutoFeatureExtractor 中检索该类。有关详细信息,请参阅ClapFeatureExtractor.__call__()
。 - is_longer (
torch.FloatTensor
, 形状为(batch_size, 1)
, 可选) — 音频剪辑是否长于max_length
。如果为True
,则将启用特征融合以增强特征。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的attentions
。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的hidden_states
。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.modeling_outputs.BaseModelOutputWithPooling 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),其中包含根据配置 (<class 'transformers.models.clap.configuration_clap.ClapAudioConfig'>
) 和输入而定的各种元素。
-
**last_hidden_state** (形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.FloatTensor`) — 模型最后一层输出处的隐藏状态序列。
-
pooler_output (
torch.FloatTensor
形状为(batch_size, hidden_size)
) — 序列第一个标记(分类标记)的最后一层隐藏状态,经过用于辅助预训练任务的层的进一步处理。例如,对于 BERT 系列模型,这将返回经过线性层和 tanh 激活函数处理后的分类标记。线性层权重在预训练期间从下一个句子预测(分类)目标中训练得到。 -
**hidden_states** (`tuple(torch.FloatTensor)`,可选,当传递 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) — 形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.FloatTensor` 元组(如果模型有嵌入层,则一个用于嵌入的输出 + 一个用于每一层的输出)。
模型在每一层输出处的隐藏状态以及可选的初始嵌入输出。
-
**attentions** (`tuple(torch.FloatTensor)`,可选,当传递 `output_attentions=True` 或 `config.output_attentions=True` 时返回) — 形状为 `(batch_size, num_heads, sequence_length, sequence_length)` 的 `torch.FloatTensor` 元组(每一层一个)。
注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
ClapAudioModel 前向方法,覆盖 __call__
特殊方法。
尽管前向传递的方案需要在此函数中定义,但之后应该调用 Module
实例而不是此实例,因为前者负责运行前处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from datasets import load_dataset
>>> from transformers import AutoProcessor, ClapAudioModel
>>> dataset = load_dataset("hf-internal-testing/ashraq-esc50-1-dog-example")
>>> audio_sample = dataset["train"]["audio"][0]["array"]
>>> model = ClapAudioModel.from_pretrained("laion/clap-htsat-fused")
>>> processor = AutoProcessor.from_pretrained("laion/clap-htsat-fused")
>>> inputs = processor(audios=audio_sample, return_tensors="pt")
>>> outputs = model(**inputs)
>>> last_hidden_state = outputs.last_hidden_state
ClapAudioModelWithProjection
类 transformers.ClapAudioModelWithProjection
< 源代码 >( config: ClapAudioConfig )
参数
- config (ClapConfig) — 包含模型所有参数的模型配置类。 使用配置文件初始化不会加载与模型关联的权重,只会加载配置。 查看 from_pretrained() 方法来加载模型权重。
CLAP 音频模型,顶部带有投影层(在池化输出之上有一个线性层)。
此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头部等)。
此模型也是一个 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般用法和行为的所有信息。
forward
< 源代码 >( input_features: Optional = None is_longer: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.models.clap.modeling_clap.ClapAudioModelOutput
或 tuple(torch.FloatTensor)
参数
- input_features (
torch.FloatTensor
形状为(batch_size, num_channels, height, width)
) — 输入音频特征。 这应该由 ClapFeatureExtractor 类返回,您也可以从 AutoFeatureExtractor 中检索。 有关详细信息,请参阅ClapFeatureExtractor.__call__()
。 - is_longer (
torch.FloatTensor
, 形状为(batch_size, 1)
, 可选) — 音频剪辑是否长于max_length
。 如果为True
,则将启用特征融合以增强特征。 - output_attentions (
bool
, 可选) — 是否返回所有注意力层的注意力张量。有关更多详细信息,请参阅返回张量下的 `attentions`。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的隐藏状态。有关更多详细信息,请参阅返回张量下的 `hidden_states`。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.models.clap.modeling_clap.ClapAudioModelOutput
或 tuple(torch.FloatTensor)
transformers.models.clap.modeling_clap.ClapAudioModelOutput
或 torch.FloatTensor
元组(如果传递了 return_dict=False
或 config.return_dict=False
)包含根据配置 (<class 'transformers.models.clap.configuration_clap.ClapAudioConfig'>
) 和输入的不同元素。
-
audio_embeds (形状为
(batch_size, hidden_size)
的torch.FloatTensor
) — 通过将投影层应用于 pooler_output 获得的音频嵌入。 -
**last_hidden_state** (形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.FloatTensor`) — 模型最后一层输出处的隐藏状态序列。
-
**attentions** (`tuple(torch.FloatTensor)`,可选,当传递 `output_attentions=True` 或 `config.output_attentions=True` 时返回) — 形状为 `(batch_size, num_heads, sequence_length, sequence_length)` 的 `torch.FloatTensor` 元组(每一层一个)。
注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
-
**hidden_states** (`tuple(torch.FloatTensor)`,可选,当传递 `output_hidden_states=True` 或 `config.output_hidden_states=True` 时返回) — 形状为 `(batch_size, sequence_length, hidden_size)` 的 `torch.FloatTensor` 元组(如果模型有嵌入层,则一个用于嵌入的输出 + 一个用于每一层的输出)。
模型在每一层输出处的隐藏状态以及可选的初始嵌入输出。
ClapAudioModelWithProjection 前向方法,覆盖 __call__
特殊方法。
尽管前向传递的方案需要在此函数中定义,但之后应该调用 Module
实例而不是此实例,因为前者负责运行前处理和后处理步骤,而后者则默默地忽略它们。
示例
>>> from datasets import load_dataset
>>> from transformers import ClapAudioModelWithProjection, ClapProcessor
>>> model = ClapAudioModelWithProjection.from_pretrained("laion/clap-htsat-fused")
>>> processor = ClapProcessor.from_pretrained("laion/clap-htsat-fused")
>>> dataset = load_dataset("hf-internal-testing/ashraq-esc50-1-dog-example")
>>> audio_sample = dataset["train"]["audio"][0]["array"]
>>> inputs = processor(audios=audio_sample, return_tensors="pt")
>>> outputs = model(**inputs)
>>> audio_embeds = outputs.audio_embeds