Transformers 文档
Hubert
并获得增强的文档体验
开始使用
Hubert
概述
Hubert 是由 Wei-Ning Hsu、Benjamin Bolte、姚弘宇 Hubert Tsai、Kushal Lakhotia、Ruslan Salakhutdinov、Abdelrahman Mohamed 在 HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units 中提出的。
该论文的摘要如下
语音表征学习的自监督方法面临三个独特的问题:(1)每个输入话语中存在多个声音单元,(2)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征学习的 Hidden-Unit BERT (HuBERT) 方法,该方法利用离线聚类步骤为类 BERT 预测损失提供对齐的目标标签。我们方法的关键要素是仅在掩码区域上应用预测损失,这迫使模型在连续输入上学习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,而不是分配的聚类标签的内在质量。从简单的 100 个聚类的 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,在 10 分钟、1 小时、10 小时、100 小时和 960 小时微调子集中,达到或超过了最先进的 wav2vec 2.0 性能。使用 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 WER 降低。
此模型由 patrickvonplaten 贡献。
使用技巧
- Hubert 是一个语音模型,它接受与语音信号的原始波形相对应的浮点数组。
- Hubert 模型使用连接时序分类 (CTC) 进行了微调,因此模型输出必须使用 Wav2Vec2CTCTokenizer 进行解码。
使用 Flash Attention 2
Flash Attention 2 是该模型的更快、更优化的版本。
安装
首先,检查您的硬件是否与 Flash Attention 2 兼容。兼容硬件的最新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 Better Transformer 支持从注意力内核优化中受益,如上文所述。
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
的 transformers 原生实现、flash-attention-2 和 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
>>> 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
模型的 transformers 原生实现与 flash-attention-2 和 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

资源
HubertConfig
class transformers.HubertConfig
< source >( 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。定义了调用 HubertModel 时传递的inputs_ids
可以表示的不同 token 的数量。模型的词汇量大小。定义了传递给 HubertModel 的前向方法的 inputs_ids 可以表示的不同 token。 - hidden_size (
int
, 可选,默认为 768) — 编码器层和池化层的维度。 - num_hidden_layers (
int
, optional, defaults to 12) — Transformer 编码器中的隐藏层数。 - num_attention_heads (
int
, optional, defaults to 12) — Transformer 编码器中每个注意力层的注意力头数。 - intermediate_size (
int
, optional, defaults to 3072) — Transformer 编码器中“中间”层(即,前馈层)的维度。 - hidden_act (
str
orfunction
, optional, defaults to"gelu"
) — 编码器和池化器中的非线性激活函数(函数或字符串)。如果为字符串,则支持"gelu"
,"relu"
,"selu"
和"gelu_new"
。 - hidden_dropout(
float
, optional, defaults to 0.1) — 嵌入层、编码器和池化器中所有全连接层的 dropout 概率。 - activation_dropout (
float
, optional, defaults to 0.1) — 全连接层内部激活的 dropout 比率。 - attention_dropout(
float
, optional, defaults to 0.1) — 注意力概率的 dropout 比率。 - final_dropout (
float
, optional, defaults to 0.1) — Wav2Vec2ForCTC 的最终投影层的 dropout 概率。 - layerdrop (
float
, optional, defaults to 0.1) — LayerDrop 概率。 有关更多详细信息,请参见 [LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。 - initializer_range (
float
, optional, defaults to 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
, optional, defaults to 1e-12) — layer normalization 层使用的 epsilon 值。 - feat_extract_norm (
str
, optional, defaults to"group"
) — 应用于特征编码器中 1D 卷积层的 norm。 可选值为:"group"
(仅对第一个 1D 卷积层进行组归一化)或"layer"
(对所有 1D 卷积层进行层归一化)。 - feat_proj_dropout (
float
, optional, defaults to 0.0) — 特征编码器输出的 dropout 概率。 - feat_proj_layer_norm (
bool
, optional, defaults toTrue
) — 是否对特征编码器的输出应用 LayerNorm。 - feat_extract_activation (
str,
optional, defaults to
“gelu”) -- 特征提取器的 1D 卷积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”,
“selu”和
“gelu_new”`。 - conv_dim (
Tuple[int]
, optional, defaults to(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]
, optional, defaults to(5, 2, 2, 2, 2, 2, 2)
) — 定义特征编码器中每个 1D 卷积层的步长的整数元组。 conv_stride 的长度定义了卷积层的数量,并且必须与 conv_dim 的长度匹配。 - conv_kernel (
Tuple[int]
, optional, defaults to(10, 3, 3, 3, 3, 3, 3)
) — 定义特征编码器中每个 1D 卷积层的内核大小的整数元组。 conv_kernel 的长度定义了卷积层的数量,并且必须与 conv_dim 的长度匹配。 - conv_bias (
bool
, optional, defaults toFalse
) — 1D 卷积层是否具有偏置。 - num_conv_pos_embeddings (
int
, optional, defaults to 128) — 卷积位置嵌入的数量。 定义 1D 卷积位置嵌入层的内核大小。 - num_conv_pos_embedding_groups (
int
, optional, defaults to 16) — 1D 卷积位置嵌入层的组数。 - conv_pos_batch_norm (
bool
, optional, defaults toFalse
) — 是否在 conv_pos 中使用批归一化而不是权重归一化。 - do_stable_layer_norm (
bool
, optional, defaults toFalse
) — 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
, optional, defaults toTrue
) — 是否对特征编码器的输出应用 SpecAugment 数据增强。 有关参考,请参见 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition。 - mask_time_prob (
float
, optional, defaults to 0.05) — 沿时间轴将要屏蔽的所有特征向量的百分比(介于 0 和 1 之间)。 屏蔽过程沿轴生成“mask_time_problen(time_axis)/mask_time_length”个独立的掩码。 如果从每个特征向量被选为要屏蔽的向量跨度的开始的概率来推断,则 mask_time_prob* 应该是 `prob_vector_start*mask_time_length`。 请注意,重叠可能会降低实际屏蔽向量的百分比。 这仅在 `apply_spec_augment is True` 时相关。 - mask_time_length (
int
, optional, defaults to 10) — 沿时间轴的向量跨度长度。 - mask_time_min_masks (
int
, optional, defaults to 2), — 沿时间轴生成的长度为mask_feature_length
的掩码的最小数量,每次时间步,与mask_feature_prob
无关。 仅当“mask_time_prob*len(time_axis)/mask_time_length < mask_time_min_masks”时相关 - mask_feature_prob (
float
, optional, defaults to 0.0) — 沿特征轴将被掩码的所有特征向量的百分比(介于 0 和 1 之间)。掩码过程会在轴上生成 “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的起点的概率来推断,则 mask_feature_prob 应为prob_vector_start*mask_feature_length
。请注意,重叠可能会降低实际被掩码向量的百分比。这仅在apply_spec_augment is True
时相关。 - mask_feature_length (
int
, optional, defaults to 10) — 沿特征轴的向量跨度长度。 - mask_feature_min_masks (
int
, optional, defaults to 0), — 沿特征轴生成的长度为mask_feature_length
的掩码的最小数量,每个时间步,与mask_feature_prob
无关。仅当 “mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks” 时相关 - ctc_loss_reduction (
str
, optional, defaults to"sum"
) — 指定应用于torch.nn.CTCLoss
输出的缩减方式。仅在训练 HubertForCTC 的实例时相关。 - ctc_zero_infinity (
bool
, optional, defaults toFalse
) — 是否将torch.nn.CTCLoss
的无限损失和相关的梯度置零。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 的实例时相关。 - use_weighted_layer_sum (
bool
, optional, defaults toFalse
) — 是否使用层输出的加权平均值以及学习到的权重。仅在使用 HubertForSequenceClassification 的实例时相关。 - classifier_proj_size (
int
, optional, defaults to 256) — 分类前,在 token 均值池化之前的投影维度。
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 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。阅读 PretrainedConfig 的文档以获取更多信息。
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
HubertModel
class transformers.HubertModel
< source >( config: HubertConfig )
参数
- config (HubertConfig) — 带有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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
裸 Hubert 模型 Transformer,输出原始隐藏状态,顶部没有任何特定的 head。Hubert 由 Wei-Ning Hsu、Benjamin Bolte、Yao-Hung Hubert Tsai、Kushal Lakhotia、Ruslan Salakhutdinov、Abdelrahman Mohamed 在论文 HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units 中提出。
此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存等)。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< source >( 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.BaseModelOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
, 形状为(batch_size, sequence_length)
) — 输入原始语音波形的浮点值。可以通过将.flac
或.wav
音频文件加载到类型为List[float]
或numpy.ndarray
的数组中来获得值,例如通过 soundfile 库 (pip install soundfile
)。要将数组准备为input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
, 形状为(batch_size, sequence_length)
, optional) — 掩码,用于避免在填充 token 索引上执行卷积和注意力。掩码值在[0, 1]
中选择:- 1 表示 未被掩码 的 token,
- 0 表示 被掩码 的 token。
仅当对应的 processor 具有
config.return_attention_mask == True
时,才应传递attention_mask
。对于所有 processor 具有config.return_attention_mask == False
的模型,例如 hubert-base,不应传递attention_mask
以避免在进行批量推理时性能下降。对于此类模型,input_values
应仅用 0 填充并在没有attention_mask
的情况下传递。请注意,这些模型也会根据input_values
是否填充而产生略有不同的结果。 - output_attentions (
bool
, optional) — 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
, optional) — 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
, optional) — 是否返回 ModelOutput 而不是普通元组。
返回值
transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
transformers.modeling_outputs.BaseModelOutput 或 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (HubertConfig) 和输入。
-
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)
, optional, 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,则为嵌入输出一个,+ 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, optional, 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 之后的注意力权重,用于计算自注意力头中的加权平均值。
HubertModel 的 forward
方法覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此方法,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
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
< source >( config target_lang: typing.Optional[str] = None )
参数
- config (HubertConfig) — 带有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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
带有语言建模 head 的 Hubert 模型,用于连接时序分类 (CTC)。Hubert 由 Wei-Ning Hsu、Benjamin Bolte、Yao-Hung Hubert Tsai、Kushal Lakhotia、Ruslan Salakhutdinov、Abdelrahman Mohamed 在论文 HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units 中提出。
此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存等)。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< source >( 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.CausalLMOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
, 形状为(batch_size, sequence_length)
) — 输入原始语音波形的浮点值。可以通过将.flac
或.wav
音频文件加载到类型为List[float]
或numpy.ndarray
的数组中来获得值,例如通过 soundfile 库 (pip install soundfile
)。要将数组准备为input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于避免在 padding 标记索引上执行卷积和注意力的掩码。 掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
仅当对应的 processor 具有
config.return_attention_mask == True
时,才应传递attention_mask
。对于所有 processor 具有config.return_attention_mask == False
的模型,例如 hubert-base,不应传递attention_mask
,以避免在进行批量推理时性能下降。对于此类模型,input_values
应仅使用 0 进行填充,并在不使用attention_mask
的情况下传递。请注意,这些模型的结果也会因input_values
是否填充而略有不同。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 有关更多详细信息,请参见返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯元组。 - labels (
torch.LongTensor
of shape(batch_size, target_length)
, optional) — 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。 索引在[-100, 0, ..., config.vocab_size - 1]
中选择。 所有设置为-100
的标签都将被忽略(掩码),损失仅针对[0, ..., config.vocab_size - 1]
中的标签计算。
返回值
transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutput 或 torch.FloatTensor
元组 (如果传递 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (HubertConfig) 和输入。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, 当提供labels
时返回) — 语言建模损失(用于下一个标记预测)。 -
logits (
torch.FloatTensor
of shape(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数(SoftMax 之前的每个词汇表标记的分数)。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 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,则为嵌入输出一个,+ 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, optional, 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 之后的注意力权重,用于计算自注意力头中的加权平均值。
HubertForCTC
前向方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此方法,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
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", trust_remote_code=True)
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate
>>> processor = AutoProcessor.from_pretrained("facebook/hubert-large-ls960-ft")
>>> model = HubertForCTC.from_pretrained("facebook/hubert-large-ls960-ft")
>>> # 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]
'MISTER QUILTER IS THE APOSTLE OF THE MIDDLE CLASSES AND WE ARE GLAD TO WELCOME HIS GOSPEL'
>>> inputs["labels"] = processor(text=dataset[0]["text"], return_tensors="pt").input_ids
>>> # compute loss
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
22.68
HubertForSequenceClassification
class transformers.HubertForSequenceClassification
< source >( config )
参数
- config (HubertConfig) — 具有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,仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
Hubert 模型,顶部带有序列分类头(池化输出之上的线性层),用于诸如 SUPERB 关键词识别之类的任务。
Hubert 是由 Wei-Ning Hsu、Benjamin Bolte、姚弘宇 Hubert Tsai、Kushal Lakhotia、Ruslan Salakhutdinov、Abdelrahman Mohamed 在 HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units 中提出的。
此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存等)。
此模型是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< source >( 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.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
of shape(batch_size, sequence_length)
) — 原始语音波形的浮点值输入。 值可以通过将.flac
或.wav
音频文件加载到List[float]
类型的数组或numpy.ndarray
中获得,例如 通过 soundfile 库 (pip install soundfile
)。 要将数组准备为input_values
,应使用 AutoProcessor 进行填充并转换为torch.FloatTensor
类型的张量。 有关详细信息,请参见 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于避免在 padding 标记索引上执行卷积和注意力的掩码。 掩码值在[0, 1]
中选择:- 1 表示未被掩码的标记,
- 0 表示被掩码的标记。
仅当对应的 processor 具有
config.return_attention_mask == True
时,才应传递attention_mask
。对于所有 processor 具有config.return_attention_mask == False
的模型,例如 hubert-base,不应传递attention_mask
,以避免在进行批量推理时性能下降。对于此类模型,input_values
应仅使用 0 进行填充,并在不使用attention_mask
的情况下传递。请注意,这些模型的结果也会因input_values
是否填充而略有不同。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 有关更多详细信息,请参见返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 有关更多详细信息,请参见返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯元组。 - labels (
torch.LongTensor
of shape(batch_size,)
, optional) — 用于计算序列分类/回归损失的标签。 索引应在[0, ..., config.num_labels - 1]
中。 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)。
返回值
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutput 或 torch.FloatTensor
元组 (如果传递 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (HubertConfig) 和输入。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, 当提供labels
时返回) — 分类(或回归,如果 config.num_labels==1)损失。 -
logits (
torch.FloatTensor
of shape(batch_size, config.num_labels)
) — 分类(或回归,如果 config.num_labels==1)分数(SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 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,则为嵌入输出一个,+ 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出的隐藏状态,加上可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, optional, 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 之后的注意力权重,用于计算自注意力头中的加权平均值。
HubertForSequenceClassification
前向方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此方法,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, HubertForSequenceClassification
>>> from datasets import load_dataset
>>> import torch
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation", trust_remote_code=True)
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("superb/hubert-base-superb-ks")
>>> model = HubertForSequenceClassification.from_pretrained("superb/hubert-base-superb-ks")
>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> predicted_class_ids = torch.argmax(logits, dim=-1).item()
>>> predicted_label = model.config.id2label[predicted_class_ids]
>>> predicted_label
'_unknown_'
>>> # compute loss - target_label is e.g. "down"
>>> target_label = model.config.id2label[0]
>>> inputs["labels"] = torch.tensor([model.config.label2id[target_label]])
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
8.53
TFHubertModel
class transformers.TFHubertModel
< source >( config: HubertConfig *inputs **kwargs )
参数
- config (HubertConfig) — 具有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,仅加载配置。 查看 from_pretrained() 方法以加载模型权重。
裸 TFHubert 模型转换器,输出原始隐藏状态,顶部没有任何特定头部。
此模型继承自 TFPreTrainedModel。 查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头等)。
此模型也是 keras.Model 子类。 将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档,了解与常规用法和行为相关的所有事项。
transformers
中的 TensorFlow 模型和层接受两种格式作为输入
- 将所有输入作为关键字参数(如 PyTorch 模型),或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
支持第二种格式的原因是,当将输入传递给模型和层时,Keras 方法更喜欢这种格式。 由于这种支持,当使用诸如 model.fit()
之类的方法时,事情应该对您“正常工作” - 只需以 model.fit()
支持的任何格式传递您的输入和标签即可! 但是,如果您想在 Keras 方法(如 fit()
和 predict()
)之外使用第二种格式,例如在使用 Keras Functional
API 创建自己的层或模型时,可以使用以下三种可能性来收集第一个位置参数中的所有输入张量
- 仅使用
input_values
且不包含其他内容的单个张量:model(input_values)
- 长度可变的列表,其中包含一个或多个输入张量,顺序与文档字符串中给出的顺序相同:
model([input_values, attention_mask])
或model([input_values, attention_mask, token_type_ids])
- 字典,其中包含一个或多个输入张量,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,您无需担心任何这些,因为您可以像对待任何其他 Python 函数一样传递输入!
call
< source >( 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.TFBaseModelOutput 或 tuple(tf.Tensor)
参数
- input_values (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
Dict[str, tf.Tensor]
或Dict[str, np.ndarray]
并且每个示例必须具有形状({0})
) — 词汇表中输入序列 tokens 的索引。索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
np.ndarray
或tf.Tensor
,形状为({0})
, 可选) — 避免在 padding token 索引上执行 attention 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 tokens 未被 Mask,
- 0 表示 tokens 已被 Mask。
- token_type_ids (
np.ndarray
或tf.Tensor
,形状为({0})
, 可选) — Segment token 索引,用于指示输入的第一部分和第二部分。 索引在[0, 1]
中选择:- 0 对应于 sentence A token,
- 1 对应于 sentence B token。
- position_ids (
np.ndarray
或tf.Tensor
,形状为({0})
, 可选) — 每个输入序列 token 在位置 embeddings 中的位置索引。 在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (
np.ndarray
或tf.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 用于 nullify self-attention 模块的选定 head 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被 Mask,
- 0 表示 head 已被 Mask。
- inputs_embeds (
np.ndarray
或tf.Tensor
,形状为({0}, 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_values
。 如果您希望比模型的内部 embedding 查找矩阵更好地控制如何将input_values
索引转换为关联的向量,这将非常有用。 - output_attentions (
bool
, 可选) — 是否返回所有 attention 层的 attentions tensors。 有关更多详细信息,请参阅返回的 tensors 下的attentions
。 此参数只能在 eager 模式下使用,在 graph 模式下将使用 config 中的值。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的 hidden states。 有关更多详细信息,请参阅返回的 tensors 下的hidden_states
。 此参数只能在 eager 模式下使用,在 graph 模式下将使用 config 中的值。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通的 tuple。 此参数可以在 eager 模式下使用,在 graph 模式下该值将始终设置为 True。 - training (
bool
, 可选, 默认为 `False“) — 是否在训练模式下使用模型(dropout 模块等某些模块在训练和评估之间具有不同的行为)。
返回值
transformers.modeling_tf_outputs.TFBaseModelOutput 或 tuple(tf.Tensor)
transformers.modeling_tf_outputs.TFBaseModelOutput 或 tf.Tensor
的 tuple (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含取决于配置 (HubertConfig) 和输入的各种元素。
-
last_hidden_state (
tf.Tensor
,形状为(batch_size, sequence_length, hidden_size)
) — 模型最后一层输出端的 hidden-states 序列。 -
hidden_states (
tuple(tf.FloatTensor)
, 可选, 当传递了output_hidden_states=True
或当config.output_hidden_states=True
时返回) —tf.Tensor
的 Tuple(embeddings 的输出对应一个,每层的输出对应一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出端的 Hidden-states 加上初始 embedding 输出。
-
attentions (
tuple(tf.Tensor)
, 可选, 当传递了output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的 Tuple(每层对应一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
TFHubertModel forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此方法,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
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
< 源代码 >( 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关联的权重,而只会加载配置。 查看 from_pretrained() 方法以加载模型权重。
TFHubert 模型,顶部带有用于 Connectionist Temporal Classification (CTC) 的 language modeling
head。
此模型继承自 TFPreTrainedModel。 查看超类文档,了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、剪枝头等)。
此模型也是 keras.Model 子类。 将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档,了解与常规用法和行为相关的所有事项。
transformers
中的 TensorFlow 模型和层接受两种格式作为输入
- 将所有输入作为关键字参数(如 PyTorch 模型),或
- 将所有输入作为列表、元组或字典放在第一个位置参数中。
支持第二种格式的原因是,当将输入传递给模型和层时,Keras 方法更喜欢这种格式。 由于这种支持,当使用诸如 model.fit()
之类的方法时,事情应该对您“正常工作” - 只需以 model.fit()
支持的任何格式传递您的输入和标签即可! 但是,如果您想在 Keras 方法(如 fit()
和 predict()
)之外使用第二种格式,例如在使用 Keras Functional
API 创建自己的层或模型时,可以使用以下三种可能性来收集第一个位置参数中的所有输入张量
- 仅使用
input_values
且不包含其他内容的单个张量:model(input_values)
- 长度可变的列表,其中包含一个或多个输入张量,顺序与文档字符串中给出的顺序相同:
model([input_values, attention_mask])
或model([input_values, attention_mask, token_type_ids])
- 字典,其中包含一个或多个输入张量,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,您无需担心任何这些,因为您可以像对待任何其他 Python 函数一样传递输入!
call
< 源代码 >( 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.TFCausalLMOutput 或 tuple(tf.Tensor)
参数
- input_values (
np.ndarray
,tf.Tensor
,List[tf.Tensor]
Dict[str, tf.Tensor]
或Dict[str, np.ndarray]
并且每个示例必须具有形状({0})
) — 词汇表中输入序列 tokens 的索引。索引可以使用 AutoTokenizer 获得。 有关详细信息,请参阅 PreTrainedTokenizer.call() 和 PreTrainedTokenizer.encode()。
- attention_mask (
np.ndarray
或tf.Tensor
,形状为({0})
, 可选) — 避免在 padding token 索引上执行 attention 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 tokens 未被 Mask,
- 0 表示 tokens 已被 Mask。
- token_type_ids (
np.ndarray
或tf.Tensor
,形状为({0})
, 可选) — Segment token 索引,用于指示输入的第一部分和第二部分。 索引在[0, 1]
中选择:- 0 对应于 sentence A token,
- 1 对应于 sentence B token。
- position_ids (
np.ndarray
或tf.Tensor
,形状为({0})
, 可选) — 每个输入序列 token 在位置 embeddings 中的位置索引。 在范围[0, config.max_position_embeddings - 1]
中选择。 - head_mask (
np.ndarray
或tf.Tensor
,形状为(num_heads,)
或(num_layers, num_heads)
, 可选) — 用于 nullify self-attention 模块的选定 head 的 Mask。 Mask 值在[0, 1]
中选择:- 1 表示 head 未被 Mask,
- 0 表示 head 已被 Mask。
- inputs_embeds (
np.ndarray
或tf.Tensor
,形状为({0}, 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_values
。 如果您希望比模型的内部 embedding 查找矩阵更好地控制如何将input_values
索引转换为关联的向量,这将非常有用。 - output_attentions (
bool
, 可选) — 是否返回所有 attention 层的 attentions tensors。 有关更多详细信息,请参阅返回的 tensors 下的attentions
。 此参数只能在 eager 模式下使用,在 graph 模式下将使用 config 中的值。 - output_hidden_states (
bool
, 可选) — 是否返回所有层的 hidden states。 有关更多详细信息,请参阅返回的 tensors 下的hidden_states
。 此参数只能在 eager 模式下使用,在 graph 模式下将使用 config 中的值。 - return_dict (
bool
, 可选) — 是否返回 ModelOutput 而不是普通元组。此参数可以在 eager 模式下使用,在 graph 模式下该值将始终设置为 True。 - training (
bool
, 可选, 默认为 `False`) — 是否在训练模式下使用模型(某些模块,如 dropout 模块,在训练和评估之间有不同的行为)。 - labels (
tf.Tensor
或np.ndarray
,形状为(batch_size, sequence_length)
, 可选) — 用于计算 masked language modeling loss 的标签。索引应在[-100, 0, ..., config.vocab_size]
中 (参见input_values
文档字符串)。索引设置为-100
的 tokens 将被忽略(masked),loss 仅针对标签在[0, ..., config.vocab_size]
中的 tokens 计算。
返回值
transformers.modeling_tf_outputs.TFCausalLMOutput 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFCausalLMOutput 或一个 tf.Tensor
元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (HubertConfig) 和输入。
-
loss (
tf.Tensor
,形状为(n,)
, 可选, 其中 n 是非 masked 标签的数量, 当提供labels
时返回) — 语言建模损失 (用于 next-token 预测)。 -
logits (
tf.Tensor
,形状为(batch_size, sequence_length, config.vocab_size)
) — 语言建模头的预测分数 (每个词汇表 token 在 SoftMax 之前的分数)。 -
hidden_states (
tuple(tf.Tensor)
, 可选, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —tf.Tensor
元组 (embeddings 的输出一个 + 每层输出一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出端的 Hidden-states 加上初始 embedding 输出。
-
attentions (
tuple(tf.Tensor)
, 可选, 当传递了output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的 Tuple(每层对应一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。注意力 softmax 之后的注意力权重,用于计算自注意力头中的加权平均值。
TFHubertForCTC
forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数内定义,但应该在之后调用 Module
实例而不是此方法,因为前者负责运行预处理和后处理步骤,而后者会默默地忽略它们。
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