Transformers 文档

Hubert

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Hubert

PyTorch TensorFlow FlashAttention SDPA

概述

Hubert 模型由 Wei-Ning Hsu、Benjamin Bolte、Yao-Hung Hubert Tsai、Kushal Lakhotia、Ruslan Salakhutdinov 和 Abdelrahman Mohamed 在论文《HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units》中提出。

论文摘要如下:

用于语音表示学习的自监督方法面临三个独特的问题:(1)每个输入话语中有多个声音单元,(2)在预训练阶段没有输入声音单元的词典,以及(3)声音单元的长度可变且没有明确的分割。为了解决这三个问题,我们提出了用于自监督语音表示学习的 Hidden-Unit BERT (HuBERT) 方法,该方法利用离线聚类步骤为类 BERT 的预测损失提供对齐的目标标签。我们方法的一个关键要素是仅在被掩码的区域上应用预测损失,这迫使模型在连续输入上学习一个组合的声学和语言模型。HuBERT 主要依赖于无监督聚类步骤的一致性,而不是所分配聚类标签的内在质量。从一个包含 100 个聚类的简单 k-means 教师开始,并使用两次聚类迭代,HuBERT 模型在 Librispeech (960h) 和 Libri-light (60,000h) 基准测试中,使用 10 分钟、1 小时、10 小时、100 小时和 960 小时微调子集,其性能与最先进的 wav2vec 2.0 相当或更好。使用一个 1B 参数模型,HuBERT 在更具挑战性的 dev-other 和 test-other 评估子集上显示出高达 19% 和 13% 的相对词错误率(WER)降低。

此模型由 patrickvonplaten 贡献。

使用技巧

  • Hubert 是一个语音模型,它接受一个与语音信号原始波形相对应的浮点数组。
  • Hubert 模型使用联结主义时间分类 (CTC) 进行微调,因此模型输出必须使用 `Wav2Vec2CTCTokenizer` 进行解码。
  • 当使用除“eager”之外的所有注意力实现时,`head_mask` 参数会被忽略。如果你有一个 `head_mask` 并希望它生效,请使用 `XXXModel.from_pretrained(model_id, attn_implementation="eager")` 加载模型。

使用 Flash Attention 2

Flash Attention 2 是一个更快、更优化的模型版本。

安装

首先,检查您的硬件是否与 Flash Attention 2 兼容。最新的兼容硬件列表可以在官方文档中找到。如果您的硬件与 Flash Attention 2 不兼容,您仍然可以通过上面介绍的 Better Transformer 支持从注意力核优化中受益。

接下来,安装 最新版本的 Flash Attention 2

pip install -U flash-attn --no-build-isolation

用法

下面是一个预期的加速图,比较了 `facebook/hubert-large-ls960-ft` 在 transformers 中的原生实现、flash-attention-2 版本以及 sdpa(scale-dot-product-attention)版本之间的纯推理时间。我们展示了在 `librispeech_asr` `clean` 验证集上获得的平均加速比。

>>> from transformers import HubertModel
>>> import torch

>>> model = HubertModel.from_pretrained("facebook/hubert-large-ls960-ft", torch_dtype=torch.float16, attn_implementation="flash_attention_2").to("cuda")
...

预期加速

下面是一个预期的加速图,比较了 `facebook/hubert-large-ls960-ft` 模型在 transformers 中的原生实现、flash-attention-2 版本以及 sdpa(scale-dot-product-attention)版本之间的纯推理时间。我们展示了在 `librispeech_asr` `clean` 验证集上获得的平均加速比。

资源

HubertConfig

class transformers.HubertConfig

< >

( vocab_size = 32 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout = 0.1 activation_dropout = 0.1 attention_dropout = 0.1 feat_proj_layer_norm = True feat_proj_dropout = 0.0 final_dropout = 0.1 layerdrop = 0.1 initializer_range = 0.02 layer_norm_eps = 1e-05 feat_extract_norm = 'group' feat_extract_activation = 'gelu' conv_dim = (512, 512, 512, 512, 512, 512, 512) conv_stride = (5, 2, 2, 2, 2, 2, 2) conv_kernel = (10, 3, 3, 3, 3, 2, 2) conv_bias = False num_conv_pos_embeddings = 128 num_conv_pos_embedding_groups = 16 conv_pos_batch_norm = False do_stable_layer_norm = False apply_spec_augment = True mask_time_prob = 0.05 mask_time_length = 10 mask_time_min_masks = 2 mask_feature_prob = 0.0 mask_feature_length = 10 mask_feature_min_masks = 0 ctc_loss_reduction = 'sum' ctc_zero_infinity = False use_weighted_layer_sum = False classifier_proj_size = 256 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 **kwargs )

参数

  • vocab_size (int, 可选, 默认为 32) — Hubert 模型的词汇表大小。定义了在调用 `HubertModel` 时,`inputs_ids` 可以表示的不同标记的数量。模型的词汇表大小。定义了传递给 `HubertModel` 的 `forward` 方法的 *`inputs_ids`* 可以表示的不同标记。
  • 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”(即前馈)层的维度。
  • hidden_act (strfunction, 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"
  • hidden_dropout(float, 可选, 默认为 0.1) — 嵌入层、编码器和池化层中所有全连接层的丢弃概率。
  • activation_dropout (float, 可选, 默认为 0.1) — 全连接层内激活函数的丢弃率。
  • attention_dropout(float, 可选, 默认为 0.1) — 注意力概率的丢弃率。
  • final_dropout (float, 可选, 默认为 0.1) — `Wav2Vec2ForCTC` 最终投影层的丢弃概率。
  • layerdrop (float, 可选, 默认为 0.1) — LayerDrop 概率。更多详情请参阅 [LayerDrop 论文](https://huggingface.co/papers/1909.11556)。
  • 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。
  • layer_norm_eps (float, 可选, 默认为 1e-12) — 层归一化层使用的 epsilon 值。
  • feat_extract_norm (str, 可选, 默认为 "group") — 应用于特征编码器中 1D 卷积层的归一化方法。`"group"` 表示仅对第一个 1D 卷积层进行组归一化,`"layer"` 表示对所有 1D 卷积层进行层归一化。
  • feat_proj_dropout (float, 可选, 默认为 0.0) — 特征编码器输出的丢弃概率。
  • feat_proj_layer_norm (bool, 可选, 默认为 `True`) — 是否对特征编码器的输出应用层归一化。
  • feat_extract_activation (str, `可选`, 默认为 `“gelu”`) -- 特征提取器中 1D 卷积层的非线性激活函数(函数或字符串)。如果为字符串,支持 `“gelu”`、`“relu”`、`“selu”` 和 `“gelu_new”`。
  • conv_dim (tuple[int], 可选, 默认为 `(512, 512, 512, 512, 512, 512, 512)`) — 定义特征编码器中每个 1D 卷积层的输入和输出通道数的整数元组。*conv_dim* 的长度定义了 1D 卷积层的数量。
  • conv_stride (tuple[int], 可选, 默认为 `(5, 2, 2, 2, 2, 2, 2)`) — 定义特征编码器中每个 1D 卷积层步长的整数元组。*conv_stride* 的长度定义了卷积层的数量,并且必须与 *conv_dim* 的长度相匹配。
  • conv_kernel (tuple[int], 可选, 默认为 `(10, 3, 3, 3, 3, 3, 3)`) — 定义特征编码器中每个 1D 卷积层核大小的整数元组。*conv_kernel* 的长度定义了卷积层的数量,并且必须与 *conv_dim* 的长度相匹配。
  • conv_bias (bool, 可选, 默认为 `False`) — 1D 卷积层是否有偏置。
  • num_conv_pos_embeddings (int, 可选, 默认为 128) — 卷积位置嵌入的数量。定义了 1D 卷积位置嵌入层的核大小。
  • num_conv_pos_embedding_groups (int, 可选, 默认为 16) — 1D 卷积位置嵌入层的组数。
  • conv_pos_batch_norm (bool, 可选, 默认为 `False`) — 在 conv_pos 中是否使用批归一化而不是权重归一化。
  • do_stable_layer_norm (bool, 可选, 默认为 `False`) — 是否应用 Transformer 编码器的*稳定*层归一化架构。`do_stable_layer_norm is True` 对应于在注意力层之前应用层归一化,而 `do_stable_layer_norm is False` 对应于在注意力层之后应用层归一化。
  • apply_spec_augment (bool, 可选, 默认为 `True`) — 是否对特征编码器的输出应用 *SpecAugment* 数据增强。参考 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition
  • mask_time_prob (float, 可选, 默认为 0.05) — 将被掩码的时间轴上所有特征向量的百分比(介于 0 和 1 之间)。掩码过程在时间轴上生成 `mask_time_prob * len(time_axis) / mask_time_length` 个独立的掩码。如果从每个特征向量被选为要掩码的向量跨度起点的概率来推理,*`mask_time_prob`* 应为 `prob_vector_start * mask_time_length`。请注意,重叠可能会减少实际被掩码向量的百分比。仅当 `apply_spec_augment` 为 `True` 时相关。
  • mask_time_length (int, 可选, 默认为 10) — 沿时间轴的向量跨度长度。
  • mask_time_min_masks (int, 可选, 默认为 2) — 沿时间轴生成的长度为 `mask_feature_length` 的最小掩码数,每个时间步都生成,无论 `mask_feature_prob` 如何。仅在 “`mask_time_prob*len(time_axis)/mask_time_length < mask_time_min_masks`” 时相关。
  • mask_feature_prob (float, 可选, 默认为 0.0) — 将被掩码的特征轴上所有特征向量的百分比(介于 0 和 1 之间)。掩码过程在特征轴上生成 `mask_feature_prob * len(feature_axis) / mask_time_length` 个独立的掩码。如果从每个特征向量被选为要掩码的向量跨度起点的概率来推理,*`mask_feature_prob`* 应为 `prob_vector_start * mask_feature_length`。请注意,重叠可能会减少实际被掩码向量的百分比。仅当 `apply_spec_augment` 为 `True` 时相关。
  • mask_feature_length (int, 可选, 默认为 10) — 沿特征轴的向量跨度长度。
  • mask_feature_min_masks (int, 可选, 默认为 0) — 沿特征轴生成的长度为 `mask_feature_length` 的最小掩码数,每个时间步都生成,无论 `mask_feature_prob` 如何。仅在 “`mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks`” 时相关。
  • ctc_loss_reduction (str, 可选, 默认为 "sum") — 指定应用于 `torch.nn.CTCLoss` 输出的缩减方式。仅在训练 `HubertForCTC` 实例时相关。
  • ctc_zero_infinity (bool, 可选, 默认为 `False`) — 是否将 `torch.nn.CTCLoss` 的无限损失及其相关梯度置零。无限损失主要发生在输入太短而无法与目标对齐时。仅在训练 `HubertForCTC` 实例时相关。
  • use_weighted_layer_sum (bool, 可选, 默认为 `False`) — 是否使用学习到的权重对层输出进行加权平均。仅在使用 `HubertForSequenceClassification` 实例时相关。
  • classifier_proj_size (int, 可选, 默认为 256) — 分类前标记均值池化投影的维度。

这是用于存储 `HubertModel` 配置的配置类。它用于根据指定的参数实例化一个 Hubert 模型,定义模型架构。使用默认值实例化配置将产生与 Hubert `facebook/hubert-base-ls960` 架构类似的配置。

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 HubertModel, HubertConfig

>>> # Initializing a Hubert facebook/hubert-base-ls960 style configuration
>>> configuration = HubertConfig()

>>> # Initializing a model from the facebook/hubert-base-ls960 style configuration
>>> model = HubertModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
PyTorch
隐藏 Pytorch 内容

HubertModel

class transformers.HubertModel

< >

( config: HubertConfig )

参数

  • config (HubertConfig) — 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。

一个基础的 Hubert 模型,输出原始的隐藏状态(hidden-states),顶部没有任何特定的模型头(head)。

该模型继承自 PreTrainedModel。查阅父类的文档以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、修剪模型头等)。

该模型也是一个 PyTorch torch.nn.Module 的子类。可以像使用常规 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_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None mask_time_indices: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.modeling_outputs.BaseModelOutputtuple(torch.FloatTensor)

参数

  • input_values (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 输入的原始语音波形的浮点数值。可以通过将 .flac.wav 音频文件加载到 list[float]numpy.ndarray 类型的数组中获得这些值,例如,使用 soundfile 库(pip install soundfile)。为了将数组准备成 input_values,应使用 AutoProcessor 进行填充并转换为 torch.FloatTensor 类型的张量。详见 {processor_class}.__call__
  • attention_mask (torch.Tensor,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计算的掩码。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

    什么是注意力掩码?

  • mask_time_indices (torch.BoolTensor,形状为 (batch_size, sequence_length)可选) — 用于掩码提取的特征以计算对比损失的索引。在训练模式下,模型学习在 config.proj_codevector_dim 空间中预测被掩码的提取特征。
  • 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,请参阅返回的张量下的 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,请参阅返回的张量下的 hidden_states
  • return_dict (bool, 可选) — 是返回一个 ModelOutput 而不是一个普通的元组。

返回

transformers.modeling_outputs.BaseModelOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置 (HubertConfig) 和输入而定的各种元素。

  • 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。

  • hidden_states (tuple(torch.FloatTensor)可选,在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则第一个是嵌入层的输出,然后是每一层的输出),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,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),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。

HubertModel 的 forward 方法重写了 __call__ 特殊方法。

虽然前向传播的流程需要在此函数中定义,但之后应调用 Module 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, HubertModel
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/hubert-large-ls960-ft")
>>> model = HubertModel.from_pretrained("facebook/hubert-large-ls960-ft")


>>> def map_to_array(batch):
...     speech, _ = sf.read(batch["file"])
...     batch["speech"] = speech
...     return batch


>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.map(map_to_array)

>>> input_values = processor(ds["speech"][0], return_tensors="pt").input_values  # Batch size 1
>>> hidden_states = model(input_values).last_hidden_state

HubertForCTC

class transformers.HubertForCTC

< >

( config target_lang: typing.Optional[str] = None )

参数

  • config (HubertForCTC) — 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。
  • target_lang (str, 可选) — 适配器权重的语言 ID。适配器权重以 `adapter..safetensors` 或 `adapter..bin` 的格式存储。仅在使用带适配器的 HubertForCTC 实例时相关。默认使用‘eng’。

一个在顶部带有 `语言模型` 头的 Hubert 模型,用于连接时序分类(Connectionist Temporal Classification, CTC)。

该模型继承自 PreTrainedModel。查阅父类的文档以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、修剪模型头等)。

该模型也是一个 PyTorch torch.nn.Module 的子类。可以像使用常规 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_values: typing.Optional[torch.Tensor] 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 labels: typing.Optional[torch.Tensor] = None ) transformers.modeling_outputs.CausalLMOutputtuple(torch.FloatTensor)

参数

  • input_values (torch.Tensor,形状为 (batch_size, sequence_length)可选) — 输入的原始语音波形的浮点数值。可以通过将 .flac.wav 音频文件加载到 list[float]numpy.ndarray 类型的数组中获得这些值,例如,使用 soundfile 库(pip install soundfile)。为了将数组准备成 input_values,应使用 AutoProcessor 进行填充并转换为 torch.FloatTensor 类型的张量。详见 {processor_class}.__call__
  • attention_mask (torch.Tensor,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计算的掩码。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

    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,请参阅返回的张量下的 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,请参阅返回的张量下的 hidden_states
  • return_dict (bool, 可选) — 是返回一个 ModelOutput 而不是一个普通的元组。
  • labels (torch.LongTensor,形状为 (batch_size, target_length)可选) — 用于连接时序分类的标签。请注意,target_length 必须小于或等于输出 logits 的序列长度。索引的选择范围为 [-100, 0, ..., config.vocab_size - 1]。所有设置为 -100 的标签都会被忽略(掩码),损失仅对 [0, ..., config.vocab_size - 1] 范围内的标签进行计算。

返回

transformers.modeling_outputs.CausalLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.CausalLMOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置 (HubertConfig) 和输入而定的各种元素。

  • 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)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=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则第一个是嵌入层的输出,然后是每一层的输出),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,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),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。

HubertForCTC 的 forward 方法重写了 __call__ 特殊方法。

虽然前向传播的流程需要在此函数中定义,但之后应调用 Module 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, HubertForCTC
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> processor = AutoProcessor.from_pretrained("facebook/hubert-base-ls960")
>>> model = HubertForCTC.from_pretrained("facebook/hubert-base-ls960")

>>> # audio file is decoded on the fly
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
>>> with torch.no_grad():
...     logits = model(**inputs).logits
>>> predicted_ids = torch.argmax(logits, dim=-1)

>>> # transcribe speech
>>> transcription = processor.batch_decode(predicted_ids)
>>> transcription[0]
...

>>> inputs["labels"] = processor(text=dataset[0]["text"], return_tensors="pt").input_ids

>>> # compute loss
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
...

HubertForSequenceClassification

class transformers.HubertForSequenceClassification

< >

( config )

参数

  • config (HubertForSequenceClassification) — 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。

Hubert 模型在顶部带有一个序列分类头(在池化输出上加一个线性层),用于像 SUPERB 关键词识别这样的任务。

该模型继承自 PreTrainedModel。查阅父类的文档以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、修剪模型头等)。

该模型也是一个 PyTorch torch.nn.Module 的子类。可以像使用常规 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_values: typing.Optional[torch.Tensor] 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 labels: typing.Optional[torch.Tensor] = None ) transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

参数

  • input_values (torch.FloatTensor,形状为 (batch_size, sequence_length)) — 输入的原始语音波形的浮点数值。可以通过将 .flac.wav 音频文件加载到 list[float]numpy.ndarray 类型的数组中获得这些值,例如,使用 soundfile 库(pip install soundfile)。为了将数组准备成 input_values,应使用 AutoProcessor 进行填充并转换为 torch.FloatTensor 类型的张量。详见 HubertProcessor.__call__
  • attention_mask (torch.Tensor,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计算的掩码。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

    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,请参阅返回的张量下的 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,请参阅返回的张量下的 hidden_states
  • return_dict (bool, 可选) — 是返回一个 ModelOutput 而不是一个普通的元组。
  • labels (torch.LongTensor,形状为 (batch_size,)可选) — 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 范围内。如果 config.num_labels == 1,则计算回归损失(均方损失);如果 config.num_labels > 1,则计算分类损失(交叉熵)。

返回

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置 (HubertConfig) 和输入而定的各种元素。

  • loss (形状为 (1,)torch.FloatTensor可选,当提供 labels 时返回) — 分类损失(如果 config.num_labels==1,则为回归损失)。

  • logits (形状为 (batch_size, config.num_labels)torch.FloatTensor) — 分类(如果 config.num_labels==1,则为回归)分数(SoftMax 之前)。

  • hidden_states (tuple(torch.FloatTensor)可选,在传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(如果模型有嵌入层,则第一个是嵌入层的输出,然后是每一层的输出),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,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每一层一个),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。

HubertForSequenceClassification 的 forward 方法重写了 __call__ 特殊方法。

虽然前向传播的流程需要在此函数中定义,但之后应调用 Module 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。

单标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, HubertForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("facebook/hubert-base-ls960")
>>> model = HubertForSequenceClassification.from_pretrained("facebook/hubert-base-ls960")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
...

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = HubertForSequenceClassification.from_pretrained("facebook/hubert-base-ls960", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...

多标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, HubertForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("facebook/hubert-base-ls960")
>>> model = HubertForSequenceClassification.from_pretrained("facebook/hubert-base-ls960", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = HubertForSequenceClassification.from_pretrained(
...     "facebook/hubert-base-ls960", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss
TensorFlow
隐藏 TensorFlow 内容

TFHubertModel

class transformers.TFHubertModel

< >

( config: HubertConfig *inputs **kwargs )

参数

  • config (HubertConfig) — 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。

一个基础的 TFHubert 模型,输出原始的隐藏状态(hidden-states),顶部没有任何特定的模型头(head)。

该模型继承自 TFPreTrainedModel。查阅父类的文档以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、修剪模型头等)。

该模型也是一个 keras.Model 的子类。可以像使用常规 TF 2.0 Keras 模型一样使用它,并参考 TF 2.0 文档了解所有与通用用法和行为相关的事项。

transformers 中的 TensorFlow 模型和层接受两种输入格式

  • 所有输入作为关键字参数(如 PyTorch 模型),或
  • 所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更倾向于这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,一切都应该能“正常工作”——只需以 model.fit() 支持的任何格式传递你的输入和标签!然而,如果你想在像 fit()predict() 这样的 Keras 方法之外使用第二种格式,例如在使用 Keras 的 Functional API 创建自己的层或模型时,有三种可能性可以用来将所有输入张量收集到第一个位置参数中。

  • 只有一个 input_values 的张量,没有其他东西:model(input_values)
  • 一个包含一个或多个输入张量的可变长度列表,顺序与文档字符串中给出的顺序一致:model([input_values, attention_mask])model([input_values, attention_mask, token_type_ids])
  • 一个包含一个或多个输入张量的字典,与文档字符串中给出的输入名称相关联:model({"input_values": input_values, "token_type_ids": token_type_ids})

请注意,当使用子类化创建模型和层时,你无需担心任何这些问题,因为你可以像调用任何其他 Python 函数一样传递输入!

调用

< >

( input_values: tf.Tensor attention_mask: tf.Tensor | None = None token_type_ids: tf.Tensor | None = None position_ids: tf.Tensor | None = None head_mask: tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: bool = False ) transformers.modeling_tf_outputs.TFBaseModelOutputtuple(tf.Tensor)

参数

  • input_values (np.ndarray, tf.Tensor, list[tf.Tensor], dict[str, tf.Tensor]dict[str, np.ndarray],每个样本的形状必须为 ({0})) — 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.call()PreTrainedTokenizer.encode()

    什么是输入 ID?

  • attention_mask (np.ndarraytf.Tensor,形状为 ({0})可选) — 用于避免在填充的标记索引上执行注意力计算的掩码。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

    什么是注意力掩码?

  • token_type_ids (np.ndarraytf.Tensor,形状为 ({0})可选) — 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 *句子 A* 的标记,
    • 1 对应于 *句子 B* 的标记。

    什么是标记类型 ID?

  • position_ids (np.ndarraytf.Tensor,形状为 ({0})可选) — 每个输入序列标记在位置嵌入中的位置索引。选择范围为 [0, config.max_position_embeddings - 1]

    什么是位置 ID?

  • head_mask (np.ndarraytf.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 (np.ndarraytf.Tensor,形状为 ({0}, 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_values。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_values 索引转换为相关向量,这将非常有用。
  • 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,请参阅返回的张量下的 attentions。此参数只能在即时模式(eager mode)下使用,在图模式(graph mode)下将使用配置中的值。
  • 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,请参阅返回的张量下的 hidden_states。此参数只能在即时模式(eager mode)下使用,在图模式(graph mode)下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。此参数可在 Eager 模式下使用,在图模式下该值将始终设置为 True。
  • training (bool, 可选, 默认为 `False`) — 是否将模型用于训练模式(某些模块如 dropout 在训练和评估之间有不同的行为)。

返回

transformers.modeling_tf_outputs.TFBaseModelOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFBaseModelOutput 或一个 tf.Tensor 的元组(如果传入 return_dict=False 或当 config.return_dict=False 时),根据配置(HubertConfig)和输入,包含各种元素。

  • last_hidden_state (tf.Tensor of shape (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。

  • hidden_states (tuple(tf.FloatTensor), 可选,当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)tf.Tensor 元组(一个用于嵌入层的输出,另外每个层各一个输出)。

    模型在每个层输出的隐藏状态加上初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选,当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每层一个)。

    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。

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

虽然前向传播的流程需要在此函数中定义,但之后应调用 Module 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, TFHubertModel
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/hubert-large-ls960-ft")
>>> model = TFHubertModel.from_pretrained("facebook/hubert-large-ls960-ft")


>>> def map_to_array(batch):
...     speech, _ = sf.read(batch["file"])
...     batch["speech"] = speech
...     return batch


>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.map(map_to_array)

>>> input_values = processor(ds["speech"][0], return_tensors="tf").input_values  # Batch size 1
>>> hidden_states = model(input_values).last_hidden_state

TFHubertForCTC

class transformers.TFHubertForCTC

< >

( config: HubertConfig *inputs **kwargs )

参数

  • config (HubertConfig) — 包含模型所有参数的模型配置类。使用配置文件进行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。

TFHubert 模型顶部带有一个用于连接时序分类(Connectionist Temporal Classification, CTC)的 `语言建模` 头。

该模型继承自 TFPreTrainedModel。查阅父类的文档以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、修剪模型头等)。

该模型也是一个 keras.Model 的子类。可以像使用常规 TF 2.0 Keras 模型一样使用它,并参考 TF 2.0 文档了解所有与通用用法和行为相关的事项。

transformers 中的 TensorFlow 模型和层接受两种输入格式

  • 所有输入作为关键字参数(如 PyTorch 模型),或
  • 所有输入作为第一个位置参数中的列表、元组或字典。

支持第二种格式的原因是,Keras 方法在将输入传递给模型和层时更倾向于这种格式。由于这种支持,当使用像 model.fit() 这样的方法时,一切都应该能“正常工作”——只需以 model.fit() 支持的任何格式传递你的输入和标签!然而,如果你想在像 fit()predict() 这样的 Keras 方法之外使用第二种格式,例如在使用 Keras 的 Functional API 创建自己的层或模型时,有三种可能性可以用来将所有输入张量收集到第一个位置参数中。

  • 只有一个 input_values 的张量,没有其他东西:model(input_values)
  • 一个包含一个或多个输入张量的可变长度列表,顺序与文档字符串中给出的顺序一致:model([input_values, attention_mask])model([input_values, attention_mask, token_type_ids])
  • 一个包含一个或多个输入张量的字典,与文档字符串中给出的输入名称相关联:model({"input_values": input_values, "token_type_ids": token_type_ids})

请注意,当使用子类化创建模型和层时,你无需担心任何这些问题,因为你可以像调用任何其他 Python 函数一样传递输入!

调用

< >

( input_values: tf.Tensor attention_mask: tf.Tensor | None = None token_type_ids: tf.Tensor | None = None position_ids: tf.Tensor | None = None head_mask: tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None labels: tf.Tensor | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) transformers.modeling_tf_outputs.TFCausalLMOutputtuple(tf.Tensor)

参数

  • input_values (np.ndarraytf.Tensorlist[tf.Tensor]dict[str, tf.Tensor]dict[str, np.ndarray],每个样本的形状必须为 ({0})) — 词汇表中输入序列词元的索引。

    索引可以使用 AutoTokenizer 获得。详情请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    什么是输入 ID?

  • attention_mask (np.ndarraytf.Tensor,形状为 ({0}), 可选) — 用于避免对填充词元索引执行注意力的掩码。掩码值选自 [0, 1]

    • 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 (np.ndarraytf.Tensor,形状为 ({0}), 可选) — 段词元索引,用于指示输入的第一部分和第二部分。索引选自 [0, 1]

    • 0 对应于 *句子 A* 的词元,
    • 1 对应于 *句子 B* 的词元。

    什么是词元类型 ID?

  • position_ids (np.ndarraytf.Tensor,形状为 ({0}), 可选) — 位置嵌入中每个输入序列词元的位置索引。选自范围 [0, config.max_position_embeddings - 1]

    什么是位置 ID?

  • head_mask (np.ndarraytf.Tensor,形状为 (num_heads,)(num_layers, num_heads), 可选) — 用于使自注意力模块中选定的头无效的掩码。掩码值选自 [0, 1]

    • 1 表示头未被掩码
    • 0 表示头被掩码
  • inputs_embeds (np.ndarraytf.Tensor,形状为 ({0}, 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_values。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_values 索引转换为关联向量,这将非常有用。
  • 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。此参数只能在 Eager 模式下使用,在图模式下将使用配置中的值。
  • 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。此参数只能在 Eager 模式下使用,在图模式下将使用配置中的值。
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。此参数可在 Eager 模式下使用,在图模式下该值将始终设置为 True。
  • training (bool, 可选, 默认为 `False`) — 是否将模型用于训练模式(某些模块如 dropout 在训练和评估之间有不同的行为)。
  • labels (tf.Tensornp.ndarray,形状为 (batch_size, sequence_length), 可选) — 用于计算掩码语言建模损失的标签。索引应在 [-100, 0, ..., config.vocab_size] 范围内(参见 input_values 文档字符串)。索引设置为 -100 的词元将被忽略(掩码),损失仅对标签在 [0, ..., config.vocab_size] 范围内的词元进行计算。

返回

transformers.modeling_tf_outputs.TFCausalLMOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFCausalLMOutput 或一个 tf.Tensor 的元组(如果传入 return_dict=False 或当 config.return_dict=False 时),根据配置(HubertConfig)和输入,包含各种元素。

  • loss (形状为(n,)tf.Tensor可选,其中n是非掩码标签的数量,当提供了labels时返回) — 语言建模损失(用于下一标记预测)。

  • logits (tf.Tensor of shape (batch_size, sequence_length, config.vocab_size)) — 语言模型头部的预测分数(SoftMax 之前每个词汇标记的分数)。

  • hidden_states (tuple(tf.Tensor), 可选,当传入 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)tf.Tensor 元组(一个用于嵌入层的输出,另外每个层各一个输出)。

    模型在每个层输出的隐藏状态加上初始嵌入输出。

  • attentions (tuple(tf.Tensor), 可选,当传入 output_attentions=True 或当 config.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)tf.Tensor 元组(每层一个)。

    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。

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

虽然前向传播的流程需要在此函数中定义,但之后应调用 Module 实例而不是此函数,因为前者会处理运行前处理和后处理步骤,而后者会静默地忽略它们。

示例

>>> import tensorflow as tf
>>> from transformers import AutoProcessor, TFHubertForCTC
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/hubert-large-ls960-ft")
>>> model = TFHubertForCTC.from_pretrained("facebook/hubert-large-ls960-ft")


>>> def map_to_array(batch):
...     speech, _ = sf.read(batch["file"])
...     batch["speech"] = speech
...     return batch


>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> ds = ds.map(map_to_array)

>>> input_values = processor(ds["speech"][0], return_tensors="tf").input_values  # Batch size 1
>>> logits = model(input_values).logits
>>> predicted_ids = tf.argmax(logits, axis=-1)

>>> transcription = processor.decode(predicted_ids[0])

>>> # compute loss
>>> target_transcription = "A MAN SAID TO THE UNIVERSE SIR I EXIST"

>>> # Pass the transcription as text to encode labels
>>> labels = processor(text=transcription, return_tensors="tf").input_values

>>> loss = model(input_values, labels=labels).loss
< > 在 GitHub 上更新