Transformers 文档

CLAP

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

CLAP

PyTorch

概述

CLAP 模型由 Yusong Wu、Ke Chen、Tianyu Zhang、Yuchen Hui、Taylor Berg-Kirkpatrick 和 Shlomo Dubnov 在论文 Large Scale Contrastive Language-Audio pretraining with feature fusion and keyword-to-caption augmentation 中提出。

CLAP(Contrastive Language-Audio Pretraining,对比语言-音频预训练)是一个在多种(音频,文本)对上训练的神经网络。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,而无需直接为该任务进行优化。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,文本和音频特征都被投影到一个具有相同维度的潜在空间。投影后的音频和文本特征之间的点积被用作相似度分数。

论文摘要如下:

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语言-音频预训练的流程,通过将音频数据与自然语言描述相结合来开发音频表示。为实现这一目标,我们首先发布了 LAION-Audio-630K,这是一个包含 633,526 个来自不同数据源的音频-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,构建了一个对比语言-音频预训练模型。我们在模型设计中加入了特征融合机制和关键词到标题的增强,以进一步使模型能够处理可变长度的音频输入并提升性能。第三,我们进行了全面的实验,在三个任务上评估我们的模型:文本到音频检索、零样本音频分类和有监督音频分类。结果表明,我们的模型在文本到音频检索任务中取得了优越的性能。在音频分类任务中,该模型在零样本设置下达到了最先进的性能,并能够在非零样本设置下获得与模型结果相当的性能。LAION-Audio-6

该模型由 Younes BelkadaArthur Zucker 贡献。原始代码可在此处找到。

ClapConfig

class transformers.ClapConfig

< >

( 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, 默认为 14.29) — logit_scale 参数的初始值。默认值根据原始 CLAP 实现使用。
  • projection_dim (int, 可选, 默认为 512) — 文本和音频投影层的维度。
  • projection_hidden_act (str, 可选, 默认为 "relu") — 投影层的激活函数。
  • initializer_factor (float, 可选, 默认为 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一个 CLAP 模型,定义文本模型和音频模型的配置。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。有关更多信息,请阅读 PretrainedConfig 的文档。

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

< >

( text_config: ClapTextConfig audio_config: ClapAudioConfig **kwargs ) ClapConfig

返回

ClapConfig

一个配置对象的实例

从 clap 文本模型配置和 clap 音频模型配置实例化一个 ClapConfig(或其派生类)。

ClapTextConfig

class transformers.ClapTextConfig

< >

( 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, 默认为 30522) — CLAP 模型的词汇表大小。定义了在调用 ClapTextModel 时,可以通过 inputs_ids 表示的不同 token 的数量。
  • hidden_size (int, 可选, 默认为 768) — 编码器层和池化层的维度。
  • num_hidden_layers (int, 可选, 默认为 12) — Transformer 编码器中的隐藏层数量。
  • num_attention_heads (int, 可选, 默认为 12) — Transformer 编码器中每个注意力层的注意力头数量。
  • intermediate_size (int, 可选, 默认为 3072) — Transformer 编码器中“中间”层(通常称为前馈层)的维度。
  • hidden_act (strCallable, 可选, 默认为 "relu") — 编码器和池化层中的非线性激活函数(函数或字符串)。如果为字符串,支持 "relu""relu""silu""relu_new"
  • hidden_dropout_prob (float, 可选, 默认为 0.1) — 嵌入、编码器和池化层中所有全连接层的丢弃概率。
  • attention_probs_dropout_prob (float, 可选, 默认为 0.1) — 注意力概率的丢弃率。
  • max_position_embeddings (int, 可选, 默认为 512) — 该模型可能使用的最大序列长度。通常将其设置为一个较大的值以防万一(例如 512、1024 或 2048)。
  • type_vocab_size (int, 可选, 默认为 2) — 调用 ClapTextModel 时传入的 token_type_ids 的词汇表大小。
  • layer_norm_eps (float, 可选, 默认为 1e-12) — 层归一化层使用的 epsilon 值。
  • position_embedding_type (str, 可选, 默认为 "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 Self-Attention with Relative Position Representations (Shaw et al.)。有关 "relative_key_query" 的更多信息,请参阅 Improve Transformer Models with Better Relative Position Embeddings (Huang et al.) 中的 Method 4
  • is_decoder (bool, 可选, 默认为 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, 默认为 True) — 模型是否应返回最后的键/值注意力(并非所有模型都使用)。仅当 config.is_decoder=True 时相关。
  • projection_hidden_act (str, 可选, 默认为 "relu") — 投影层中的非线性激活函数(函数或字符串)。如果为字符串,支持 "gelu""relu""silu""gelu_new"
  • projection_dim (int, 可选, 默认为 512) — ClapTextModelWithProjection 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一个 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。有关更多信息,请阅读 PretrainedConfig 的文档。

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

< >

( 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) — 频谱图的图像大小
  • 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) — 模型支持的频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)。如果为字符串,支持 "gelu""relu""silu""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,该输出被发送到投影 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 (patch fusion)。这是原作者的主要贡献,应能获得最佳结果。
  • hidden_dropout_prob (float, 可选, 默认为 0.1) — 编码器中所有全连接层的丢弃概率。
  • 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) — 用于输入频谱图的通道数。
  • flatten_patch_embeds (bool, 可选, 默认为 True) — 是否将补丁嵌入展平。
  • 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) — 是否为补丁嵌入启用层归一化。
  • drop_path_rate (float, 可选, 默认为 0.0) — 补丁融合的路径丢弃率。
  • attention_probs_dropout_prob (float, 可选, 默认为 0.0) — 注意力概率的丢弃率。
  • qkv_bias (bool, 可选, 默认为 True) — 是否为查询 (query)、键 (key)、值 (value) 投影添加偏置。
  • mlp_ratio (float, 可选, 默认为 4.0) — MLP 隐藏维度与嵌入维度的比率。
  • aff_block_r (int, 可选, 默认为 4) — AudioFF 块中使用的缩小比例 (downsize_ratio)。
  • num_hidden_layers (int, 可选, 默认为 4) — Transformer 编码器中的隐藏层数量。
  • projection_hidden_act (str, 可选, 默认为 "relu") — 投影层中的非线性激活函数(函数或字符串)。如果为字符串,则支持 "gelu""relu""silu""gelu_new"
  • layer_norm_eps ([type], 可选, 默认为 1e-05) — 层归一化层使用的 epsilon 值。
  • 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,内部用于初始化测试)。

这是一个用于存储 ClapAudioModel 配置的配置类。它根据指定的参数来实例化一个 CLAP 音频编码器,定义了模型架构。使用默认值实例化配置将产生与 CLAP laion/clap-htsat-fused 架构的音频编码器相似的配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。有关更多信息,请阅读 PretrainedConfig 的文档。

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

class transformers.ClapFeatureExtractor

< >

( 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: typing.Optional[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) — 音频文件数字化的采样率,以赫兹 (Hz) 表示。这仅用于警告用户,如果输入到特征提取器的音频采样率不同。
  • 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。音频将被分割成较小的 frames,每个帧之间的步长为 hop_length
  • max_length_s (int, 可选, 默认为 10) — 模型的最大输入长度(以秒为单位)。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)。这控制频谱图的频率分辨率。400 表示在 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。低于此值的 STFT 将不会计算。
  • frequency_max (float, 可选, 默认为 14000) — 感兴趣的最高频率。高于此值的 STFT 将不会计算。
  • top_db (float, 可选) — 用于将梅尔频谱图转换为对数尺度的最高分贝值。更多细节请参见 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,它会堆叠来自梅尔频谱图的 3 个随机裁剪和一个整个梅尔频谱图的下采样版本。如果 config.fusion 设置为 True,较短的音频也需要返回 4 个梅尔频谱图,它们将只是从填充音频中获得的原始梅尔频谱图的副本。
    • rand_trunc 将选择梅尔频谱图的一个随机裁剪。
  • padding (str, 可选, 默认为 "repeatpad") — 短音频输入的填充模式。最初实现了三种模式:
    • repeatpad:音频被重复,然后填充以适应 max_length
    • repeat:音频被重复,然后剪切以适应 max_length
    • pad:音频被填充。

构建一个 CLAP 特征提取器。

该特征提取器继承自 SequenceFeatureExtractor,其中包含大部分主要方法。用户应参考该超类以获取有关这些方法的更多信息。

该类使用短时傅里叶变换 (STFT) 的自定义 numpy 实现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

< >

( ) dict[str, Any]

返回

dict[str, Any]

构成此配置实例的所有属性的字典,但不包括梅尔滤波器组,因为它们太长而无需保存或打印。

将此实例序列化为 Python 字典。

ClapProcessor

class transformers.ClapProcessor

< >

( feature_extractor tokenizer )

参数

构建一个 CLAP 处理器,它将 CLAP 特征提取器和 RoBerta 分词器包装成一个单一的处理器。

ClapProcessor 提供了 ClapFeatureExtractorRobertaTokenizerFast 的所有功能。请参阅 __call__()decode() 了解更多信息。

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发给 RobertaTokenizerFast 的 batch_decode()。有关更多信息,请参阅该方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将其所有参数转发给 RobertaTokenizerFast 的 decode()。有关更多信息,请参阅该方法的文档字符串。

ClapModel

class transformers.ClapModel

< >

( 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相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

基础的 Clap 模型,输出原始的隐藏状态,顶部没有任何特定的头。

此模型继承自 PreTrainedModel。请查看超类的文档,了解该库为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、修剪头等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = None input_features: typing.Optional[torch.FloatTensor] = None is_longer: typing.Optional[torch.BoolTensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.LongTensor] = None return_loss: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.models.clap.modeling_clap.ClapOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor, 形状为 (batch_size, sequence_length), 可选) — 词汇表中输入序列标记的索引。默认情况下,填充将被忽略。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • input_features (torch.FloatTensor, 形状为 (batch_size, num_channels, height, width)) — 输入音频特征。这应由 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,将启用特征融合以增强特征。
  • attention_mask (torch.Tensor, 形状为 (batch_size, sequence_length), 可选) — 避免对填充标记索引执行注意力的掩码。掩码值选择在 [0, 1] 中:

    • 1 表示 未被屏蔽 的标记,
    • 0 表示 被屏蔽 的标记。

    什么是注意力掩码?

  • position_ids (torch.LongTensor,形状为 (batch_size, sequence_length)可选) — 位置嵌入中每个输入序列词元的位置索引。在 [0, config.n_positions - 1] 范围内选择。

    什么是位置 ID?

  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.clap.modeling_clap.ClapOutputtuple(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 或当 config.return_dict=False 时),根据配置 (ClapConfig) 和输入包含不同的元素。

  • loss (torch.FloatTensor,形状为 (1,)可选,当 return_lossTrue 时返回) — 音频-文本相似度的对比损失。
  • logits_per_audio (torch.FloatTensor,形状为 (audio_batch_size, text_batch_size)) — audio_embedstext_embeds 之间的缩放点积得分。这表示音频-文本相似度得分。
  • logits_per_text (torch.FloatTensor,形状为 (text_batch_size, audio_batch_size)) — text_embedsaudio_embeds 之间的缩放点积得分。这表示文本-音频相似度得分。
  • text_embeds (torch.FloatTensor,形状为 (batch_size, output_dim)) — 通过将投影层应用于 ClapTextModel 的池化输出而获得的文本嵌入。
  • audio_embeds (torch.FloatTensor,形状为 (batch_size, output_dim)) — 通过将投影层应用于 ClapAudioModel 的池化输出而获得的音频嵌入。
  • text_model_output (<class '~modeling_outputs.BaseModelOutputWithPooling'>.text_model_output,默认为 None) — ClapTextModel 的输出。
  • audio_model_output (<class '~modeling_outputs.BaseModelOutputWithPooling'>.audio_model_output,默认为 None) — ClapAudioModel 的输出。

ClapModel 的前向方法,重写了 __call__ 特殊方法。

尽管前向传递的配方需要在此函数中定义,但之后应该调用 Module 实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

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

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) text_features (torch.FloatTensor,形状为 (batch_size, output_dim))

参数

  • input_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列词元的索引。默认情况下将忽略填充。

    可以使用 AutoTokenizer 获得索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充词元索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示词元未被掩码
    • 0 表示词元被掩码

    什么是注意力掩码?

  • position_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 位置嵌入中每个输入序列词元的位置索引。在 [0, config.n_positions - 1] 范围内选择。

    什么是位置 ID?

  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

text_features (torch.FloatTensor, 形状为 (batch_size, output_dim)

通过将投影层应用于 ClapTextModel 的池化输出而获得的文本嵌入。

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

< >

( input_features: typing.Optional[torch.Tensor] = None is_longer: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = 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,你也可以从 AutoFeatureExtractor 获取。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,将启用特征融合以增强特征。
  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充词元索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示词元未被掩码
    • 0 表示词元被掩码

    什么是注意力掩码?

  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

audio_features (torch.FloatTensor,形状为 (batch_size, output_dim))

通过将投影层应用于 ClapAudioModel 的池化输出而获得的音频嵌入。

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

class transformers.ClapTextModel

< >

( config add_pooling_layer = True )

参数

  • config (ClapTextModel) — 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。请查看 from_pretrained() 方法以加载模型权重。
  • add_pooling_layer (bool可选,默认为 True) — 是否添加池化层。

该模型既可以作为编码器(仅使用自注意力),也可以作为解码器。在作为解码器的情况下,会在自注意力层之间添加一个交叉注意力层,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。

要作为解码器使用,模型需要在初始化时将配置的 is_decoder 参数设置为 True。要在 Seq2Seq 模型中使用,模型需要在初始化时将 is_decoder 参数和 add_cross_attention 都设置为 True;然后,在前向传递中需要一个 encoder_hidden_states 作为输入。

.. _Attention is all you need: https://huggingface.co/papers/1706.03762

此模型继承自 PreTrainedModel。请查看超类的文档,了解该库为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、修剪头等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None token_type_ids: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None head_mask: typing.Optional[torch.Tensor] = None inputs_embeds: typing.Optional[torch.Tensor] = None encoder_hidden_states: typing.Optional[torch.Tensor] = None encoder_attention_mask: typing.Optional[torch.Tensor] = None past_key_values: typing.Optional[list[torch.FloatTensor]] = None use_cache: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentionstuple(torch.FloatTensor)

参数

  • input_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列词元的索引。默认情况下将忽略填充。

    可以使用 AutoTokenizer 获得索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充词元索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示词元未被掩码
    • 0 表示词元被掩码

    什么是注意力掩码?

  • token_type_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于指示输入的第一部分和第二部分的段词元索引。索引在 [0, 1] 中选择:

    • 0 对应于 *A 句* 词元,
    • 1 对应于 *B 句* 词元。

    什么是词元类型 ID?

  • position_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 位置嵌入中每个输入序列词元的位置索引。在 [0, config.n_positions - 1] 范围内选择。

    什么是位置 ID?

  • head_mask (torch.Tensor,形状为 (num_heads,)(num_layers, num_heads)可选) — 用于置零自注意力模块中选定头的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示头未被掩码
    • 0 表示头被掩码
  • inputs_embeds (torch.Tensor,形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,你可以选择直接传递嵌入表示,而不是传递 input_ids。如果你想比模型内部的嵌入查找矩阵更好地控制如何将 input_ids 索引转换为关联向量,这将非常有用。
  • encoder_hidden_states (torch.Tensor,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,则用于交叉注意力。
  • encoder_attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免对编码器输入的填充词元索引执行注意力的掩码。如果模型被配置为解码器,则此掩码用于交叉注意力。掩码值在 [0, 1] 中选择:

    • 1 表示词元未被掩码
    • 0 表示词元被掩码
  • past_key_values (list[torch.FloatTensor]可选) — 预先计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于加速顺序解码。这通常是在解码的前一个阶段由模型返回的 past_key_values,当 use_cache=Trueconfig.use_cache=True 时。

    允许两种格式:

    • 一个 Cache 实例,请参阅我们的 kv 缓存指南
    • 长度为 config.n_layerstuple(torch.FloatTensor) 的元组,每个元组有两个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量。这也称为传统缓存格式。

    模型将输出与输入相同的缓存格式。如果未传递 past_key_values,则将返回传统缓存格式。

    如果使用 past_key_values,用户可以选择只输入最后一个 input_ids(那些没有给出其过去键值状态给此模型的词元),形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)input_ids

  • use_cache (bool可选) — 如果设置为 True,则返回 past_key_values 键值状态,并可用于加速解码(请参阅 past_key_values)。
  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentionstuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPoolingAndCrossAttentions 或一个 torch.FloatTensor 的元组 (如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置 (ClapConfig) 和输入包含不同的元素。

  • last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

  • pooler_output (torch.FloatTensor,形状为 (batch_size, hidden_size)) — 序列的第一个词元(分类词元)的最后一层隐藏状态,经过用于辅助预训练任务的层进一步处理。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词元。线性层权重是在预训练期间从下一句预测(分类)目标中训练的。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则一个用于嵌入层的输出,+ 每个层一个用于其输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出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 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

  • cross_attentions (tuple(torch.FloatTensor)可选,当传递 output_attentions=Trueconfig.add_cross_attention=True 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器交叉注意力层的注意力权重,在注意力 softmax 之后,用于计算交叉注意力头中的加权平均。

  • past_key_values (Cache可选,当传递 use_cache=True 或当 config.use_cache=True 时返回) — 这是一个 Cache 实例。有关更多详细信息,请参阅我们的 kv 缓存指南

    包含预先计算的隐藏状态(自注意力块中的键和值,以及如果 config.is_encoder_decoder=True,则在交叉注意力块中),可用于(参见 past_key_values 输入)加速顺序解码。

ClapTextModel 的前向方法,重写了 __call__ 特殊方法。

尽管前向传递的配方需要在此函数中定义,但之后应该调用 Module 实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

ClapTextModelWithProjection

class transformers.ClapTextModelWithProjection

< >

( config: ClapTextConfig )

参数

  • config (ClapTextConfig) — 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。请查看 from_pretrained() 方法以加载模型权重。

顶部带有投影层的 Clap 模型(在池化输出之上有一个线性层)。

此模型继承自 PreTrainedModel。请查看超类的文档,了解该库为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、修剪头等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_ids: typing.Optional[torch.Tensor] = None attention_mask: typing.Optional[torch.Tensor] = None position_ids: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.models.clap.modeling_clap.ClapTextModelOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 词汇表中输入序列词元的索引。默认情况下将忽略填充。

    可以使用 AutoTokenizer 获得索引。有关详细信息,请参阅 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()

    什么是输入 ID?

  • attention_mask (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 用于避免在填充词元索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示词元未被掩码
    • 0 表示词元被掩码

    什么是注意力掩码?

  • position_ids (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 位置嵌入中每个输入序列词元的位置索引。在 [0, config.n_positions - 1] 范围内选择。

    什么是位置 ID?

  • 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) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.clap.modeling_clap.ClapTextModelOutputtuple(torch.FloatTensor)

一个 transformers.models.clap.modeling_clap.ClapTextModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(ClapConfig)和输入,包含各种元素。

  • text_embeds (torch.FloatTensor,形状为 (batch_size, output_dim)可选,当模型以 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)torch.FloatTensor, 可选,默认为 None) — 模型最后一层输出的隐藏状态序列。

  • hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则一个用于嵌入的输出,另加每个层的一个输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出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 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

ClapTextModelWithProjection 的 forward 方法会覆盖 __call__ 特殊方法。

尽管前向传递的配方需要在此函数中定义,但之后应该调用 Module 实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

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

class transformers.ClapAudioModel

< >

( config: ClapAudioConfig )

forward

< >

( input_features: typing.Optional[torch.FloatTensor] = None is_longer: typing.Optional[torch.BoolTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

参数

  • input_features (torch.FloatTensor,形状为 (batch_size, num_channels, height, width)) — 输入的音频特征。这应该由 ClapFeatureExtractor 类返回,你也可以从 AutoFeatureExtractor 中检索到它。详情请参阅 ClapFeatureExtractor.__call__()
  • is_longer (torch.FloatTensor,形状为 (batch_size, 1), 可选) — 音频片段是否比 max_length 长。如果为 True,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。更多细节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。更多细节请参阅返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.modeling_outputs.BaseModelOutputWithPoolingtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutputWithPooling 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(ClapConfig)和输入,包含各种元素。

  • last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

  • pooler_output (torch.FloatTensor,形状为 (batch_size, hidden_size)) — 序列的第一个词元(分类词元)的最后一层隐藏状态,经过用于辅助预训练任务的层进一步处理。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词元。线性层权重是在预训练期间从下一句预测(分类)目标中训练的。

  • hidden_states (tuple(torch.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则一个用于嵌入层的输出,+ 每个层一个用于其输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出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 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

ClapAudioModel 的 forward 方法会覆盖 __call__ 特殊方法。

尽管前向传递的配方需要在此函数中定义,但之后应该调用 Module 实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

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

class transformers.ClapAudioModelWithProjection

< >

( config: ClapAudioConfig )

参数

  • config (ClapAudioConfig) — 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相关的权重,只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

顶部带有投影层的 Clap 模型(在池化输出之上有一个线性层)。

此模型继承自 PreTrainedModel。请查看超类的文档,了解该库为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、修剪头等)。

该模型也是 PyTorch torch.nn.Module 的子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_features: typing.Optional[torch.FloatTensor] = None is_longer: typing.Optional[torch.BoolTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.models.clap.modeling_clap.ClapAudioModelOutputtuple(torch.FloatTensor)

参数

  • input_features (torch.FloatTensor,形状为 (batch_size, num_channels, height, width)) — 输入的音频特征。这应该由 ClapFeatureExtractor 类返回,你也可以从 AutoFeatureExtractor 中检索到它。详情请参阅 ClapFeatureExtractor.__call__()
  • is_longer (torch.FloatTensor,形状为 (batch_size, 1), 可选) — 音频片段是否比 max_length 长。如果为 True,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。更多细节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。更多细节请参阅返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.models.clap.modeling_clap.ClapAudioModelOutputtuple(torch.FloatTensor)

一个 transformers.models.clap.modeling_clap.ClapAudioModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),根据配置(ClapConfig)和输入,包含各种元素。

  • audio_embeds (torch.FloatTensor,形状为 (batch_size, hidden_size)) — 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)torch.FloatTensor, 可选,默认为 None) — 模型最后一层输出的隐藏状态序列。

  • hidden_states (tuple[torch.FloatTensor, ...], 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则一个用于嵌入的输出,另加每个层的一个输出),形状为 (batch_size, sequence_length, hidden_size)

    模型在每个层输出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 或当 config.output_attentions=True 时返回) — torch.FloatTensor 的元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 后的注意力权重,用于计算自注意力头中的加权平均值。

ClapAudioModelWithProjection 的 forward 方法会覆盖 __call__ 特殊方法。

尽管前向传递的配方需要在此函数中定义,但之后应该调用 Module 实例而不是这个函数,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

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
< > 在 GitHub 上更新