Transformers 文档
CLVP
并获得增强的文档体验
开始使用
CLVP
概述
CLVP(Contrastive Language-Voice Pretrained Transformer,对比语言-语音预训练 Transformer)模型由 James Betker 在论文 《通过扩展实现更好的语音合成》 中提出。
论文摘要如下:
近年来,图像生成领域因自回归 Transformer 和 DDPM 的应用而发生了革命性变化。这些方法将图像生成过程建模为逐步的概率过程,并利用大量的计算和数据来学习图像分布。这种提升性能的方法论不应局限于图像领域。本文描述了一种将图像生成领域的进展应用于语音合成的方法。其结果是 TorToise —— 一个富有表现力的多音色文本到语音系统。
此模型由 Susnato Dhar 贡献。原始代码可以在这里找到。
使用技巧
- CLVP 是 Tortoise TTS 模型的一个不可或缺的部分。
- CLVP 可用于将不同的生成语音候选与提供的文本进行比较,并将最佳的语音标记转发给扩散模型。
- 强烈建议使用 `ClvpModelForConditionalGeneration.generate()` 方法来使用 Tortoise。
- 请注意,CLVP 模型期望音频的采样率为 22.05 kHz,这与其他期望 16 kHz 的音频模型不同。
简要说明:
- ClvpTokenizer 对文本输入进行分词,而 ClvpFeatureExtractor 从期望的音频中提取对数梅尔频谱图。
- `ClvpConditioningEncoder` 接收这些文本标记和音频表示,并将它们转换为基于文本和音频的条件嵌入。
- ClvpForCausalLM 使用这些嵌入来生成多个语音候选。
- 每个语音候选都通过语音编码器 (ClvpEncoder) 转换为向量表示,文本编码器 (ClvpEncoder) 将文本标记转换为相同的潜在空间。
- 最后,我们将每个语音向量与文本向量进行比较,以找出哪个语音向量与文本向量最相似。
- `ClvpModelForConditionalGeneration.generate()` 将上述所有逻辑压缩到一个方法中。
示例
>>> import datasets
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text and Load the Audio (We are taking an audio example from HuggingFace Hub using `datasets` library).
>>> text = "This is an example text."
>>> ds = datasets.load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.cast_column("audio", datasets.Audio(sampling_rate=22050))
>>> sample = ds[0]["audio"]
>>> # Define processor and model.
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # Generate processor output and model output.
>>> processor_output = processor(raw_speech=sample["array"], sampling_rate=sample["sampling_rate"], text=text, return_tensors="pt")
>>> generated_output = model.generate(**processor_output)
ClvpConfig
class transformers.ClvpConfig
< 源 >( text_config = None speech_config = None decoder_config = None projection_dim = 768 logit_scale_init_value = 2.6592 initializer_factor = 1.0 **kwargs )
参数
- text_config (
dict
, 可选) — 用于初始化 CLVP 文本编码器的配置选项字典。 - speech_config (
dict
, 可选) — 用于初始化 CLVP 语音编码器的配置选项字典。 - decoder_config (
dict
, 可选) — 用于初始化 ClvpDecoderConfig 的配置选项字典。 - projection_dim (
int
, 可选, 默认为 768) — 文本和语音投影层的维度。 - logit_scale_init_value (
float
, 可选, 默认为 2.6592) — *logit_scale* 参数的初始值。默认值根据原始 CLVP 实现使用。 - initializer_factor (
float
, 可选, 默认为 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1.0,内部用于初始化测试)。 - kwargs (可选) — 关键字参数字典。
ClvpConfig 是用于存储 ClvpModelForConditionalGeneration 配置的配置类。它用于根据指定的参数实例化一个 CLVP 模型,定义文本模型、语音模型和解码器模型的配置。使用默认值实例化一个配置将产生一个与 CLVP susnato/clvp_dev 架构相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import ClvpConfig, ClvpModelForConditionalGeneration
>>> # Initializing a ClvpConfig with susnato/clvp_dev style configuration
>>> configuration = ClvpConfig()
>>> # Initializing a ClvpModelForConditionalGeneration (with random weights) from the susnato/clvp_dev style configuration
>>> model = ClvpModelForConditionalGeneration(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
>>> # We can also initialize a CLVPConfig from a CLVPTextConfig, CLVPSpeechConfig and a CLVPAutoRegressiveConfig
>>> from transformers import ClvpEncoderConfig, ClvpDecoderConfig
>>> # Initializing a CLVP text, CLVP speech and CLVP decoder configuration
>>> config_text = ClvpEncoderConfig()
>>> config_speech = ClvpEncoderConfig()
>>> decoder_config = ClvpDecoderConfig()
>>> config = ClvpConfig.from_sub_model_configs(config_text, config_speech, decoder_config)
from_sub_model_configs
< 源 >( text_config: ClvpEncoderConfig speech_config: ClvpEncoderConfig decoder_config: ClvpDecoderConfig **kwargs ) → ClvpConfig
参数
- text_config (
ClvpEncoderConfig
) — 类型为 ClvpEncoderConfig 的文本模型配置。 - speech_config (
ClvpEncoderConfig
) — 类型为 ClvpEncoderConfig 的语音模型配置。 - decoder_config (
ClvpDecoderConfig
) — 类型为 ClvpDecoderConfig 的解码器模型配置。
返回
一个配置对象的实例
从 CLVP 文本模型配置、CLVP 语音模型配置和 CLVP 解码器模型配置实例化一个 ClvpConfig (或其派生类)。
ClvpEncoderConfig
class transformers.ClvpEncoderConfig
< 源 >( vocab_size = 256 hidden_size = 768 intermediate_size = 1536 projection_dim = 768 num_hidden_layers = 20 num_attention_heads = 12 hidden_act = 'gelu' layer_norm_eps = 1e-05 attention_dropout = 0.1 dropout = 0.1 use_rotary_embedding = True use_attention_bias = False summary_type = 'mean' initializer_factor = 1.0 bos_token_id = 255 eos_token_id = 0 **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 256) — CLVP 编码器模型的词汇表大小。 - hidden_size (
int
, 可选, 默认为 768) — 编码器层和池化层的维度。 - intermediate_size (
int
, 可选, 默认为 1536) — Transformer 编码器中“中间”层(即前馈层)的维度。 - projection_dim (
int
, 可选, 默认为 768) — 投影向量的维度。 - num_hidden_layers (
int
, 可选, 默认为 20) — 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。 - hidden_act (
str
或function
, 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"
、"selu"
、"gelu_new"
和"quick_gelu"
。 - layer_norm_eps (
float
, 可选, 默认为 1e-05) — 层归一化层使用的 epsilon 值。 - attention_dropout (
float
, 可选, 默认为 0.1) — 注意力概率的 dropout 比例。 - dropout (
float
, 可选, 默认为 0.1) — `ClvpEncoderMLP` 中前馈层的 dropout 比例。 - use_rotary_embedding (
bool
, 可选, 默认为True
) — 是否使用旋转嵌入。 - use_attention_bias (
bool
, 可选, 默认为False
) — 是否在自注意力过程中的 Query、Key 和 Value 层中使用偏置。 - summary_type (
str
, 可选, 默认为"mean"
) — 从 last_hidden_state 中获取 pooler_output 的策略。支持"last"
、"first"
、"mean"
和"cls_index"
。 - initializer_factor (
float
, 可选, 默认为 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1.0,内部用于初始化测试)。 - bos_token_id (
int
, 可选, 默认为 255) — 序列开始标记 ID。 - eos_token_id (
int
, 可选, 默认为 0) — 序列结束标记 ID。
这是用于存储 ClvpEncoder 配置的配置类。它用于根据指定的参数实例化一个 CLVP 文本或 CLVP 语音编码器。使用默认值实例化一个配置将产生一个与 CLVP susnato/clvp_dev 架构的编码器相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。
示例
>>> from transformers import ClvpEncoderConfig, ClvpEncoder
>>> # Initializing a ClvpEncoderConfig with susnato/clvp_dev style configuration
>>> encoder_configuration = ClvpEncoderConfig()
>>> # Initializing a ClvpEncoder (with random weights) from the susnato/clvp_dev style configuration
>>> model = ClvpEncoder(encoder_configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ClvpDecoderConfig
class transformers.ClvpDecoderConfig
< 源 >( vocab_size = 8194 max_position_embeddings = 608 max_text_tokens = 404 hidden_size = 1024 num_hidden_layers = 30 num_attention_heads = 16 n_inner = None num_mel_attn_blocks = 6 activation_function = 'gelu_new' resid_pdrop = 0.1 embd_pdrop = 0.1 attention_dropout = 0.1 layer_norm_epsilon = 1e-05 initializer_range = 0.02 summary_type = 'cls_index' summary_use_proj = True summary_activation = None summary_proj_to_labels = True summary_first_dropout = 0.1 use_cache = True bos_token_id = 8192 eos_token_id = 8193 feature_size = 80 use_attention_bias = True initializer_factor = 1.0 decoder_fixing_codes = [83, 45, 45, 248] **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 8194) — 模型的词汇表大小。 - max_position_embeddings (
int
, 可选, 默认为 608) — 该模型可能使用的梅尔标记(mel tokens)的最大序列长度。类似于GPT2Config
中的n_positions
。 - max_text_tokens (
int
, 可选, 默认为 404) — 该模型可能使用的文本标记(text tokens)的最大序列长度。类似于GPT2Config
中的n_positions
。 - hidden_size (
int
, 可选, 默认为 1024) — 嵌入层和隐藏层的维度。 - num_hidden_layers (
int
, 可选, 默认为 30) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int
, 可选, 默认为 16) — Transformer 编码器中每个注意力层的注意力头数量。 - n_inner (
int
, 可选) — 内部前馈层的维度。如果为None
,则会设置为hidden_size
的 4 倍。 - num_mel_attn_blocks (
int
, 可选, 默认为 6) — 表示ClvpConditioningEncoder
中自注意力层的数量。 - activation_function (
str
, 可选, 默认为"gelu_new"
) — 激活函数,从["relu", "silu", "gelu", "tanh", "gelu_new"]
列表中选择。 - resid_pdrop (
float
, 可选, 默认为 0.1) — 在嵌入层、编码器和池化层中所有全连接层的丢弃概率。 - embd_pdrop (
float
, 可选, 默认为 0.1) — 嵌入层的丢弃率。 - attention_dropout (
float
, 可选, 默认为 0.1) — 注意力层的丢弃率。 - layer_norm_epsilon (
float
, 可选, 默认为 1e-05) — 在层归一化层中使用的 epsilon 值。 - initializer_range (
float
, 可选, 默认为 0.02) — 用于初始化所有权重矩阵的 truncated_normal_initializer 的标准差。 - summary_type (
string
, 可选, 默认为"cls_index"
) — 进行序列摘要时使用的参数。必须是以下选项之一:
"last"
: 取最后一个词元(token)的隐藏状态(类似 XLNet)。"first"
: 取第一个词元(token)的隐藏状态(类似 BERT)。"mean"
: 取所有词元(token)隐藏状态的平均值。"cls_index"
: 提供一个分类词元(token)位置的张量(类似 GPT/GPT-2)。"attn"
: 目前未实现,使用多头注意力。
- summary_use_proj (
bool
, 可选, 默认为True
) — 是否在向量提取后添加一个投影层。 - summary_activation (
str
, 可选) — 传递"tanh"
以对输出应用 tanh 激活函数,任何其他值将导致不使用激活函数。 - summary_proj_to_labels (
bool
, 可选, 默认为True
) — 投影输出的类别数是config.num_labels
还是config.hidden_size
。 - summary_first_dropout (
float
, 可选, 默认为 0.1) — 在投影和激活之后使用的丢弃率。 - use_cache (
bool
, 可选, 默认为True
) — 模型是否应返回最后一个键/值注意力(并非所有模型都使用)。 - bos_token_id (
int
, 可选, 默认为 8192) — 序列开始标记的 ID,在生成开始时使用。 - eos_token_id (
int
, 可选, 默认为 8193) — 序列结束标记的 ID,用于ClvpModelForConditionalGeneration.fix_speech_decoder_output()
方法中以修正解码器输出。 - feature_size (
int
, 可选, 默认为 80) — 提取的梅尔特征的特征维度。此值在ClvpConditioningEncoder
中使用。 - use_attention_bias (
bool
, 可选, 默认为True
) — 在自注意力过程中是否在 Query、Key 和 Value 层中使用偏置。 - initializer_factor (
float
, 可选, 默认为 1.0) — 用于初始化所有权重矩阵的因子(应保持为 1.0,内部用于初始化测试)。 - decoder_fixing_codes (
list
, 可选, 默认为[83, 45, 45, 248]
) — 这些值在fix_speech_decoder_output
方法中使用,以修正解码器生成的输出。
这是用于存储 ClvpDecoder 配置的配置类。它用于根据指定的参数实例化一个 CLVP 解码器模型,定义模型架构。使用默认值实例化配置将产生与 CLVP susnato/clvp_dev 架构的解码器部分相似的配置。
配置对象继承自 PretrainedConfig,可用于控制模型输出。请阅读 PretrainedConfig 的文档以获取更多信息。
该架构类似于 GPT2。
示例
>>> from transformers import ClvpDecoderConfig, ClvpDecoder
>>> # Initializing a ClvpDecoderConfig with susnato/clvp_dev style configuration
>>> decoder_configuration = ClvpDecoderConfig()
>>> # Initializing a ClvpDecoder (with random weights) from the susnato/clvp_dev style configuration
>>> model = ClvpDecoder(decoder_configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
ClvpTokenizer
class transformers.ClvpTokenizer
< 来源 >( vocab_file merges_file errors = 'replace' unk_token = '[UNK]' bos_token = '<|endoftext|>' eos_token = '[STOP]' pad_token = '[STOP]' add_prefix_space = False add_bos_token = False add_eos_token = False **kwargs )
参数
- vocab_file (
str
) — 词汇表文件的路径。 - merges_file (
str
) — 合并文件的路径。 - errors (
str
, 可选, 默认为"replace"
) — 将字节解码为 UTF-8 时遵循的范式。更多信息请参见 bytes.decode。 - unk_token (
str
, 可选, 默认为"[UNK]"
) — 未知词元。不在词汇表中的词元无法转换为 ID,将被设置为此词元。 - bos_token (
str
, 可选, 默认为"<|endoftext|>"
) — 序列开始词元。 - eos_token (
str
, 可选, 默认为"[STOP]"
) — 序列结束词元。 - pad_token (
str
, 可选, 默认为"[STOP]"
) — 序列的填充词元。 - add_prefix_space (
bool
, 可选, 默认为False
) — 是否在输入前添加一个初始空格。这允许将首个单词像其他单词一样处理。(CLVP分词器通过前导空格来检测单词的开头)。 - add_bos_token (
bool
, 可选, 默认为False
) — 当 add_special_tokens=True 时,是否在序列前添加bos_token
。 - add_eos_token (
bool
, 可选, 默认为False
) — 当 add_special_tokens=True 时,是否在序列末尾添加eos_token
。
构建一个 CLVP 分词器。基于字节级的字节对编码(Byte-Pair-Encoding)。
这个分词器经过训练,将空格视为词元的一部分(有点像 sentencepiece),所以一个词会
无论是否在句子开头(无空格),编码方式都会不同
>>> from transformers import ClvpTokenizer
>>> tokenizer = ClvpTokenizer.from_pretrained("susnato/clvp_dev")
>>> tokenizer("Hello world")["input_ids"]
[62, 84, 28, 2, 179, 79]
>>> tokenizer(" Hello world")["input_ids"]
[2, 62, 84, 28, 2, 179, 79]
您可以通过在实例化此分词器时或在对某些文本调用它时传递 add_prefix_space=True
来绕过此行为,但由于模型并非以这种方式进行预训练,这可能会导致性能下降。
当与 is_split_into_words=True
一起使用时,此分词器会在每个词(甚至是第一个词)之前添加一个空格。
该分词器继承自 PreTrainedTokenizer,其中包含了大部分主要方法。用户应参考该超类以获取有关这些方法的更多信息。
ClvpFeatureExtractor
class transformers.ClvpFeatureExtractor
< 来源 >( feature_size = 80 sampling_rate = 22050 default_audio_length = 6 hop_length = 256 chunk_length = 30 n_fft = 1024 padding_value = 0.0 mel_norms = None return_attention_mask = False **kwargs )
参数
- feature_size (
int
, 可选, 默认为 80) — 提取特征的特征维度。 - sampling_rate (
int
, 可选, 默认为 22050) — 音频文件数字化的采样率,以赫兹 (Hz) 表示。 - default_audio_length (
int
, 可选, 默认为 6) — 原始音频的默认长度(秒)。如果在__call__
期间未设置max_length
,它将自动设置为 default_audio_length *self.sampling_rate
。 - hop_length (
int
, 可选, 默认为 256) — 用于获取梅尔频率系数的短时傅里叶变换(STFT)的重叠窗口长度。 - chunk_length (
int
, 可选, 默认为 30) — 用于修剪和填充较长或较短音频序列的sampling_rate
样本块的最大数量。 - n_fft (
int
, 可选, 默认为 1024) — 傅里叶变换的大小。 - 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。 - mel_norms (长度为
feature_size
的list
, 可选) — 如果提供了mel_norms
,它将被用来沿每个梅尔滤波器对对数梅尔谱图进行归一化。 - return_attention_mask (
bool
, 可选, 默认为False
) — 是否返回注意力掩码。如果保留默认值,则会返回注意力掩码。
构建一个 CLVP 特征提取器。
该特征提取器继承自 SequenceFeatureExtractor,其中包含了大部分主要方法。用户应参考该超类以获取有关这些方法的更多信息。
此类使用 短时傅里叶变换
的自定义 numpy 实现从原始语音中提取对数梅尔谱图特征,该实现应与 PyTorch 的 torch.stft
等效。
__call__
< 来源 >( raw_speech: typing.Union[numpy.ndarray, list[float], list[numpy.ndarray], list[list[float]]] sampling_rate: typing.Optional[int] = None truncation: bool = True pad_to_multiple_of: typing.Optional[int] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_attention_mask: typing.Optional[bool] = True padding: typing.Optional[str] = 'max_length' max_length: typing.Optional[int] = None **kwargs )
参数
- raw_speech (
np.ndarray
,list[float]
,list[np.ndarray]
,list[list[float]]
) — 需要填充的序列或序列批次。每个序列可以是 numpy 数组、浮点值列表、numpy 数组列表或浮点值列表的列表。必须是单声道音频,而非立体声,即每个时间步长对应单个浮点数。 - sampling_rate (
int
, optional) — 对raw_speech
输入进行采样时的采样率。强烈建议在前向调用时传递sampling_rate
,以防止静默错误并启用自动语音识别管线。 - truncation (
bool
, optional, 默认为True
) — 激活截断功能,将长于 max_length 的输入序列截断为 max_length。 - pad_to_multiple_of (
int
, optional) — 如果设置,将序列填充到所提供值的倍数。这对于在计算能力
>= 7.5
(Volta) 的 NVIDIA 硬件上使用 Tensor Cores,或在需要序列长度为 128 的倍数的 TPU 上特别有用。 - return_attention_mask (
bool
, optional, 默认为True
) — 是否返回注意力掩码。如果保留为默认值,则会返回注意力掩码。 - return_tensors (
str
或 TensorType, optional) — 如果设置,将返回张量而不是 Python 整数列表。可接受的值为:'tf'
: 返回 TensorFlowtf.constant
对象。'pt'
: 返回 PyTorchtorch.Tensor
对象。'np'
: 返回 Numpynp.ndarray
对象。
- padding_value (
float
, optional, 默认为 0.0) — 用于填充填充值/向量的值。 - max_length (
int
, optional) — 输入的最大输入长度。
ClvpFeatureExtractor
用于从样本语音或 raw_speech
中提取各种语音特定属性,如音高、音调、语速,甚至像口齿不清或口吃等语言缺陷。
首先,语音被填充或截断,使其成为一个长度为 self.default_audio_length
秒的波形,然后从中提取对数-梅尔频谱图。
ClvpProcessor
class transformers.ClvpProcessor
< 源文件 >( feature_extractor tokenizer )
参数
- feature_extractor (
ClvpFeatureExtractor
) — ClvpFeatureExtractor 的一个实例。特征提取器是必需的输入。 - tokenizer (
ClvpTokenizer
) — ClvpTokenizer 的一个实例。分词器是必需的输入。
构建一个 CLVP 处理器,它将 CLVP 特征提取器和 CLVP 分词器包装成一个单一的处理器。
ClvpProcessor 提供了 ClvpFeatureExtractor 和 ClvpTokenizer 的所有功能。请参阅 call()、decode() 和 batch_decode() 了解更多信息。
此方法将其所有参数转发给 ClvpTokenizer 的 batch_decode() 方法。请参考此方法的文档字符串以获取更多信息。
ClvpModelForConditionalGeneration
class transformers.ClvpModelForConditionalGeneration
< 源文件 >( config: ClvpConfig )
参数
- config (ClvpConfig) — 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。
包含文本编码器、语音编码器和语音解码器模型的复合 CLVP 模型。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源文件 >( input_ids: typing.Optional[torch.LongTensor] = None input_features: typing.Optional[torch.FloatTensor] = None conditioning_encoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None text_encoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None return_loss: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None output_attentions: typing.Optional[bool] = False return_dict: typing.Optional[bool] = None ) → transformers.models.clvp.modeling_clvp.ClvpOutput
或 tuple(torch.FloatTensor)
参数
- input_ids (
torch.LongTensor
, 形状为(batch_size, sequence_length)
, optional) — 词汇表中输入序列标记的索引。默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- input_features (
torch.FloatTensor
, 形状为(batch_size, feature_size, time_dim)
) — 表示由 ClvpFeatureExtractor 返回的音频的对数-梅尔频谱图表示。 - conditioning_encoder_inputs_embeds (
torch.FloatTensor
, optional) —ClvpConditioningEncoder
的 inputs_embeds。可替代input_ids
使用。 - text_encoder_inputs_embeds (
torch.FloatTensor
, optional) — 传递给文本编码器模型的 inputs_embeds,以代替input_ids
。 - attention_mask (
torch.LongTensor
, 形状为(batch_size, sequence_length)
, optional) — 用于避免在填充标记索引上执行注意力操作的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮盖,
- 0 表示标记被遮盖。
- return_loss (
bool
, optional) — 是否返回对比损失。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。有关详细信息,请参见返回张量下的hidden_states
。 - output_attentions (
bool
, optional, 默认为False
) — 是否返回所有注意力层的注意力张量。有关详细信息,请参见返回张量下的attentions
。 - return_dict (
bool
, optional) — 是否返回一个 ModelOutput 而不是一个普通的元组。
返回
transformers.models.clvp.modeling_clvp.ClvpOutput
或 tuple(torch.FloatTensor)
一个 transformers.models.clvp.modeling_clvp.ClvpOutput
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(ClvpConfig)和输入,包含各种元素。
- loss (
torch.FloatTensor
, 形状为(1,)
, optional, 当return_loss
为True
时返回) — 用于语音-文本相似性的对比损失。 - speech_ids (
torch.LongTensor
, optional) — 由ClvpForCausalLM
模型生成的 speech_ids(或语音候选项)。 - logits_per_speech (
torch.FloatTensor
, 形状为(speech_batch_size, text_batch_size)
) —speech_embeds
和text_embeds
之间的缩放点积得分。这表示语音-文本相似性得分。 - logits_per_text (
torch.FloatTensor
, 形状为(text_batch_size, speech_batch_size)
) —text_embeds
和speech_embeds
之间的缩放点积得分。这表示文本-语音相似性得分。 - text_embeds (
torch.FloatTensor
, 形状为(batch_size, output_dim)
) — 通过将投影层应用于文本编码器模型的池化输出而获得的文本嵌入。 - speech_embeds (
torch.FloatTensor
, 形状为(batch_size, output_dim)
) — 通过将投影层应用于语音编码器模型的池化输出而获得的语音嵌入。 - text_model_output (
<class '~modeling_outputs.BaseModelOutputWithPooling'>.text_model_output
, 默认为None
) — 文本编码器模型的last_hidden_state
的池化输出。 - speech_model_output (
<class '~modeling_outputs.BaseModelOutputWithPooling'>.speech_model_output
, 默认为None
) — 语音编码器模型的last_hidden_state
的池化输出。 - decoder_hidden_states (
torch.FloatTensor
, optional) — 解码器模型的隐藏状态。 - text_encoder_hidden_states (
torch.FloatTensor
, optional) — 文本编码器模型的隐藏状态。 - speech_encoder_hidden_states (
torch.FloatTensor
, optional) — 语音编码器模型的隐藏状态。
ClvpModelForConditionalGeneration 的 forward 方法重写了 __call__
特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 Module
实例而不是此函数,因为前者会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
>>> import datasets
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text and Load the Audio (We are taking an audio example from HuggingFace Hub using `datasets` library)
>>> text = "This is an example text."
>>> ds = datasets.load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.cast_column("audio", datasets.Audio(sampling_rate=22050))
>>> _, audio, sr = ds.sort("id").select(range(1))[:1]["audio"][0].values()
>>> # Define processor and model
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # processor outputs and model outputs
>>> processor_output = processor(raw_speech=audio, sampling_rate=sr, text=text, return_tensors="pt")
>>> outputs = model(
... input_ids=processor_output["input_ids"],
... input_features=processor_output["input_features"],
... return_dict=True,
... )
生成
< 源文件 >( input_ids: typing.Optional[torch.LongTensor] = None input_features: typing.Optional[torch.FloatTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None generation_config: typing.Optional[transformers.generation.configuration_utils.GenerationConfig] = None pad_to_max_mel_tokens: typing.Optional[int] = None output_hidden_states: typing.Optional[bool] = None **kwargs ) → ClvpOutput
或元组
参数
- input_ids (
torch.FloatTensor
, 形状为(batch_size, sequence_length)
, optional) — 输入文本标记。由 ClvpTokenizer 处理。 - input_features (
torch.FloatTensor
, 形状为(batch_size, feature_size, time_dim)
, optional) — 表示由 ClvpFeatureExtractor 返回的音频的对数-梅尔频谱图表示。 - attention_mask (
torch.Tensor
, 形状为(batch_size, sequence_length)
, optional) — 用于避免在填充文本标记索引上执行注意力操作的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮盖,
- 0 表示标记被遮盖。
- generation_config (
~generation.GenerationConfig
, optional) — 用于生成调用的基础参数化的生成配置。传递给 generate 的与generation_config
属性匹配的**kwargs
将覆盖它们。如果未提供generation_config
,将使用默认值,其加载优先级如下:1) 从generation_config.json
模型文件(如果存在);2) 从模型配置。请注意,未指定的参数将继承 GenerationConfig 的默认值,应检查其文档以参数化生成。 - pad_to_max_mel_tokens (
int
, optional) — 将生成的 speech_ids 填充到指定值。这是为了实现官方仓库中的相同逻辑,链接:https://github.com/neonbjb/tortoise-tts/blob/80f89987a5abda5e2b082618cd74f9c7411141dc/tortoise/api.py#L430 并确保 logits 相同。这不影响生成质量,因此请不要考虑使用它,因为它效率较低。 - output_hidden_states (
bool
, optional) — 是否返回解码器模型、文本编码器和语音编码器模型的隐藏状态。
返回
ClvpOutput
或元组
一个 ClvpOutput
(如果 return_dict_in_generate=True
或当 config.return_dict_in_generate=True
时)或一个元组。
ClvpModelForConditionalGeneration
的生成方法,此方法调用 ClvpForCausalLM
的 generate
方法,然后使用生成的 speech_ids
通过 ClvpEncoder
处理 text_embeds
和 speech_embeds
。
get_text_features
< 源文件 >( input_ids: typing.Optional[torch.LongTensor] = None text_encoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None ) → 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,默认情况下将被忽略。 - text_encoder_inputs_embeds (
torch.FloatTensor
, optional) — 传递给文本编码器模型的 inputs_embeds,以代替input_ids
。 - attention_mask (
torch.Tensor
, 形状为(batch_size, sequence_length)
, optional) — 用于避免在填充标记索引上执行注意力操作的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被遮盖,
- 0 表示标记被遮盖。
返回
torch.FloatTensor
, 形状为 (batch_size, output_dim)
通过将投影层应用于 CLVP 文本模型的池化输出而获得的文本嵌入。
此方法可用于从文本中提取 text_embeds。这些文本嵌入是通过将投影层应用于 CLVP 文本编码器模型的池化输出而获得的。
示例
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text
>>> text = "This is an example text."
>>> # Define processor and model
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # Generate processor output and text embeds
>>> processor_output = processor(text=text, return_tensors="pt")
>>> text_embeds = model.get_text_features(input_ids=processor_output["input_ids"])
get_speech_features
< 源文件 >( speech_ids: typing.Optional[torch.LongTensor] = None input_ids: typing.Optional[torch.LongTensor] = None input_features: typing.Optional[torch.FloatTensor] = None conditioning_encoder_inputs_embeds: typing.Optional[torch.FloatTensor] = None attention_mask: typing.Optional[torch.Tensor] = None generation_config: typing.Optional[transformers.generation.configuration_utils.GenerationConfig] = None **kwargs ) → torch.FloatTensor
, 形状为 (batch_size, output_dim)
参数
- speech_ids (
torch.LongTensor
, 形状为(batch_size, num_speech_ids)
, optional) — 语音标记。如果您提供填充,默认情况下将被忽略。如果提供了 speech_ids,则 input_ids 和 input_features 将被自动忽略。 - input_ids (
torch.LongTensor
, 形状为(batch_size, sequence_length)
, optional) — 输入文本标记。由 ClvpTokenizer 处理。如果未提供 speech_ids,则将使用 input_ids 和 input_features。 - input_features (
torch.FloatTensor
,形状为(batch_size, feature_size, time_dim)
,可选) — 表示由 ClvpFeatureExtractor 返回的音频的 log-melspectrogram 表示。如果未提供 speech_ids,则将使用 input_ids 和 input_features。 - conditioning_encoder_inputs_embeds (
torch.FloatTensor
, 可选) —ClvpConditioningEncoder
的 inputs_embeds。可以用来替代input_ids
。 - attention_mask (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充的语音标记索引上执行注意力机制的掩码。掩码值的选择范围为[0, 1]
:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
- generation_config (
GenerationConfig
, 可选) — 用于控制 speech_ids 生成的配置,如果未提供 speech_ids。
返回
torch.FloatTensor
, 形状为 (batch_size, output_dim)
通过将投影层应用于 CLVP 语音模型的池化输出来获得的语音嵌入。
此方法可用于提取 speech_embeds。语音嵌入是通过在 speech_ids 上应用语音模型获得的。如果 speech_ids 不存在,但同时给定了 input_ids 和 input_features,则将首先使用解码器模型生成 speech_ids,然后再应用语音模型。
示例
>>> import datasets
>>> from transformers import ClvpProcessor, ClvpModelForConditionalGeneration
>>> # Define the Text and Load the Audio (We are taking an audio example from HuggingFace Hub using `datasets` library)
>>> text = "This is an example text."
>>> ds = datasets.load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.cast_column("audio", datasets.Audio(sampling_rate=22050))
>>> _, audio, sr = ds.sort("id").select(range(1))[:1]["audio"][0].values()
>>> # Define processor and model
>>> processor = ClvpProcessor.from_pretrained("susnato/clvp_dev")
>>> model = ClvpModelForConditionalGeneration.from_pretrained("susnato/clvp_dev")
>>> # Generate processor output and model output
>>> processor_output = processor(raw_speech=audio, sampling_rate=sr, text=text, return_tensors="pt")
>>> speech_embeds = model.get_speech_features(
... input_ids=processor_output["input_ids"], input_features=processor_output["input_features"]
... )
ClvpForCausalLM
class transformers.ClvpForCausalLM
< source >( config )
参数
- config (ClvpForCausalLM) — 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。
带有语言模型头的 CLVP 解码器模型。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None past_key_values: typing.Optional[tuple[tuple[torch.Tensor]]] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None inputs_embeds: typing.Optional[torch.FloatTensor] = None labels: typing.Optional[torch.LongTensor] = 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.CausalLMOutputWithCrossAttentions 或 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。默认情况下将忽略填充。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- past_key_values (
tuple[tuple[torch.Tensor]]
, 可选) — 预先计算的隐藏状态(自注意块和交叉注意块中的键和值),可用于加速顺序解码。这通常包括在解码的先前阶段,当use_cache=True
或config.use_cache=True
时由模型返回的past_key_values
。允许两种格式:
- Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
的元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也被称为传统缓存格式。
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
(那些没有为其提供过去键值状态的 ID),形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充的标记索引上执行注意力机制的掩码。掩码值的选择范围为[0, 1]
:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 片段标记索引,用于指示输入的第一部分和第二部分。索引的选择范围为[0, 1]
:- 0 对应于 *A 句* 标记,
- 1 对应于 *B 句* 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。选择范围为[0, config.n_positions - 1]
。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于使自注意力模块的选定头无效的掩码。掩码值的选择范围为[0, 1]
:- 1 表示头未被掩码,
- 0 表示头已被掩码。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想比模型的内部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。 - labels (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 语言建模的标签。请注意,标签在模型内部已移位,即您可以设置labels = input_ids
。索引选择范围为[-100, 0, ..., config.vocab_size]
。所有设置为-100
的标签都会被忽略(掩码),损失仅针对[0, ..., config.vocab_size]
中的标签计算。 - use_cache (
bool
, 可选) — 如果设置为True
,将返回past_key_values
键值状态,可用于加速解码(参见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 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.CausalLMOutputWithCrossAttentions 或 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),根据配置 (ClvpConfig) 和输入包含各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失(用于下一个 token 预测)。 -
logits (形状为
(batch_size, sequence_length, config.vocab_size)
的torch.FloatTensor
) — 语言建模头部的预测分数(SoftMax 之前的每个词汇标记的分数)。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个为嵌入的输出,+ 每个层的输出一个),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,在传递output_attentions=True
或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,在传递output_attentions=True
或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 后的交叉注意力权重,用于计算交叉注意力头中的加权平均。
-
past_key_values (
Cache
, 可选,在传递use_cache=True
或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(注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。
ClvpForCausalLM 的前向方法,覆盖了 __call__
特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 Module
实例而不是此函数,因为前者会负责运行预处理和后处理步骤,而后者会静默地忽略它们。
ClvpModel
class transformers.ClvpModel
< source >( config: ClvpDecoderConfig )
参数
- config (ClvpDecoderConfig) — 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。
裸 Clvp 模型,输出原始隐藏状态,顶部没有任何特定的头。
该模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是一个 PyTorch torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None past_key_values: typing.Optional[tuple[tuple[torch.Tensor]]] = None inputs_embeds: typing.Optional[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.BaseModelOutputWithPastAndCrossAttentions 或 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。默认情况下将忽略填充。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.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充的标记索引上执行注意力机制的掩码。掩码值的选择范围为[0, 1]
:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 片段标记索引,用于指示输入的第一部分和第二部分。索引的选择范围为[0, 1]
:- 0 对应于 *A 句* 标记,
- 1 对应于 *B 句* 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。选择范围为[0, config.n_positions - 1]
。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(num_layers, num_heads)
,可选) — 用于使自注意力模块的选定头无效的掩码。掩码值的选择范围为[0, 1]
:- 1 表示头未被掩码,
- 0 表示头已被掩码。
- past_key_values (
tuple[tuple[torch.Tensor]]
, 可选) — 预先计算的隐藏状态(自注意块和交叉注意块中的键和值),可用于加速顺序解码。这通常包括在解码的先前阶段,当use_cache=True
或config.use_cache=True
时由模型返回的past_key_values
。允许两种格式:
- Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
的元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也被称为传统缓存格式。
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
(那些没有为其提供过去键值状态的 ID),形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 可选地,您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您想比模型的内部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。 - use_cache (
bool
, 可选) — 如果设置为True
,将返回past_key_values
键值状态,可用于加速解码(参见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 ModelOutput 而不是普通元组。
返回
transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),根据配置 (ClvpConfig) 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。如果使用了
past_key_values
,则只输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。 -
past_key_values (
Cache
, 可选,在传递use_cache=True
或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(自注意块中的键和值,如果
config.is_encoder_decoder=True
,则还包括交叉注意块中的键和值),可用于(参见past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个为嵌入的输出,+ 每个层的输出一个),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,在传递output_attentions=True
或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,在传递output_attentions=True
和config.add_cross_attention=True
或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。
ClvpModel 的前向方法,覆盖了 __call__
特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 Module
实例而不是此函数,因为前者会负责运行预处理和后处理步骤,而后者会静默地忽略它们。
ClvpEncoder
由 config.num_hidden_layers
个自注意力层组成的 Transformer 编码器。每个层都是一个 ClvpEncoderLayer
。
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None inputs_embeds: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None )
参数
- input_ids (
torch.LongTensor
,形状为(batch_size, input_ids_length)
,可选) — 词汇表中输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — 模型的输入嵌入。这会绕过模型的内部嵌入查找矩阵。 - attention_mask (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充的标记索引上执行注意力机制的掩码。掩码值的选择范围为[0, 1]
:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
- position_ids (
torch.LongTensor
, 可选) — 表示input_ids
的位置 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 ModelOutput 而不是普通元组。
ClvpDecoder
Transformer 解码器由 *config.num_hidden_layers* 层组成。每一层都是一个 ClvpDecoderLayer
forward
< source >( input_ids: typing.Optional[torch.LongTensor] = None attention_mask: typing.Optional[torch.FloatTensor] = None token_type_ids: typing.Optional[torch.LongTensor] = None position_ids: typing.Optional[torch.LongTensor] = None head_mask: typing.Optional[torch.FloatTensor] = None past_key_values: typing.Optional[tuple[tuple[torch.Tensor]]] = None inputs_embeds: typing.Optional[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.BaseModelOutputWithPastAndCrossAttentions 或 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。索引可以使用 AutoTokenizer 获得。详情请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
- attention_mask (
torch.FloatTensor
,形状为(batch_size, sequence_length)
,可选) — 用于避免在填充标记索引上执行注意力计算的掩码。掩码值在[0, 1]
中选择:- 1 表示标记未被掩码,
- 0 表示标记已被掩码。
- token_type_ids (
torch.LongTensor
,形状为(batch_size, sequence_length)
,可选) — 用于指示输入的第一和第二部分的片段标记索引。索引在[0, 1]
中选择:- 0 对应于*句子 A* 的标记,
- 1 对应于*句子 B* 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.n_positions - 1]
范围内选择。 - head_mask (
torch.FloatTensor
,形状为(num_heads,)
或(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 表示头已被掩码。
- past_key_values (
tuple[tuple[torch.Tensor]]
,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。这通常包括在解码的先前阶段,当use_cache=True
或config.use_cache=True
时由模型返回的past_key_values
。允许两种格式:
- Cache 实例,请参阅我们的 kv 缓存指南;
- 长度为
config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组包含 2 个形状为(batch_size, num_heads, sequence_length, embed_size_per_head)
的张量。这也称为旧版缓存格式。
模型将输出与输入相同的缓存格式。如果未传递
past_key_values
,将返回旧版缓存格式。如果使用
past_key_values
,用户可以选择只输入最后一个input_ids
(那些没有为其提供过去键值状态的标记),形状为(batch_size, 1)
,而不是所有形状为(batch_size, sequence_length)
的input_ids
。 - inputs_embeds (
torch.FloatTensor
,形状为(batch_size, sequence_length, hidden_size)
,可选) — (可选)您可以选择直接传递嵌入表示,而不是传递input_ids
。如果您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,这会很有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,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.BaseModelOutputWithPastAndCrossAttentions 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutputWithPastAndCrossAttentions 或 torch.FloatTensor
的元组(如果传递了 return_dict=False
或 config.return_dict=False
),根据配置 (ClvpConfig) 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。如果使用了
past_key_values
,则只输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。 -
past_key_values (
Cache
, 可选,在传递use_cache=True
或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(自注意块中的键和值,如果
config.is_encoder_decoder=True
,则还包括交叉注意块中的键和值),可用于(参见past_key_values
输入)加速顺序解码。 -
hidden_states (
tuple(torch.FloatTensor)
, 可选,在传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个为嵌入的输出,+ 每个层的输出一个),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,在传递output_attentions=True
或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,在传递output_attentions=True
和config.add_cross_attention=True
或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。
ClvpDecoder 的前向方法,重写了 __call__
特殊方法。
尽管前向传播的流程需要在此函数内定义,但之后应调用 Module
实例而不是此函数,因为前者会负责运行预处理和后处理步骤,而后者会静默地忽略它们。