Transformers 文档

MusicGen

Hugging Face's logo
加入 Hugging Face 社区

并获得增强型文档体验

开始使用

MusicGen

概述

MusicGen 模型在 Jade Copet、Felix Kreuk、Itai Gat、Tal Remez、David Kant、Gabriel Synnaeve、Yossi Adi 和 Alexandre Défossez 撰写的论文 简单且可控的音乐生成 中提出。

MusicGen 是一种单阶段自回归 Transformer 模型,能够生成高质量的音乐样本,这些样本以文本描述或音频提示为条件。文本描述通过一个冻结的文本编码器模型进行传递,以获得一系列隐藏状态表示。然后训练 MusicGen 来预测离散音频令牌或音频代码,这些代码以这些隐藏状态为条件。然后使用音频压缩模型(例如 EnCodec)对这些音频令牌进行解码,以恢复音频波形。

通过有效的令牌交错模式,MusicGen 不需要文本/音频提示的自监督语义表示,从而无需级联多个模型来预测一组码本(例如,分层或上采样)。相反,它能够在单次前向传递中生成所有码本。

论文中的摘要如下

我们处理条件音乐生成的任务。我们介绍了 MusicGen,这是一个在多个压缩离散音乐表示流(即令牌)上运行的单一语言模型 (LM)。与之前的工作不同,MusicGen 由一个单阶段 Transformer LM 以及有效的令牌交错模式组成,这消除了级联多个模型的需要,例如分层或上采样。遵循这种方法,我们证明了 MusicGen 如何生成高质量的样本,同时以文本描述或旋律特征为条件,从而可以更好地控制生成的输出。我们进行了广泛的经验评估,包括自动和人工研究,结果表明,在标准的文本到音乐基准测试中,所提出的方法优于评估的基线。通过消融研究,我们阐明了组成 MusicGen 的每个组件的重要性。

该模型由 sanchit-gandhi 贡献。原始代码可在 此处 找到。预训练的检查点可以在 Hugging Face Hub 上找到。

使用技巧

  • 此处 下载原始检查点后,您可以使用 src/transformers/models/musicgen/convert_musicgen_transformers.py 中提供的转换脚本使用以下命令进行转换。
python src/transformers/models/musicgen/convert_musicgen_transformers.py \
    --checkpoint small --pytorch_dump_folder /output/path --safe_serialization 

生成

MusicGen 支持两种生成模式:贪婪和采样。在实践中,采样比贪婪生成明显更好的结果,因此我们鼓励在可能的情况下使用采样模式。采样默认启用,可以通过在调用 MusicgenForConditionalGeneration.generate() 时设置 do_sample=True 显式指定,或者通过覆盖模型的生成配置(见下文)。

生成受正弦位置嵌入的限制,输入最多 30 秒。这意味着 MusicGen 无法生成超过 30 秒的音频(1503 个 token),并且由音频提示生成传递的输入音频会影响此限制,因此,如果给定 20 秒的输入音频,MusicGen 无法生成超过 10 秒的附加音频。

Transformers 支持 MusicGen 的单声道(1 通道)和立体声(2 通道)变体。单声道版本生成一组 codebook。立体声版本生成 2 组 codebook,每通道(左/右)一组,每组 codebook 通过音频压缩模型独立解码。每个通道的音频流组合在一起,形成最终的立体声输出。

无条件生成

无条件(或“空”)生成的输入可以通过 MusicgenForConditionalGeneration.get_unconditional_inputs() 方法获取。

>>> from transformers import MusicgenForConditionalGeneration

>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")
>>> unconditional_inputs = model.get_unconditional_inputs(num_samples=1)

>>> audio_values = model.generate(**unconditional_inputs, do_sample=True, max_new_tokens=256)

音频输出是一个形状为 (batch_size, num_channels, sequence_length) 的三维 Torch 张量。要收听生成的音频样本,可以在 ipynb 笔记本中播放它们。

from IPython.display import Audio

sampling_rate = model.config.audio_encoder.sampling_rate
Audio(audio_values[0].numpy(), rate=sampling_rate)

或者使用第三方库(例如 scipy)将它们保存为 .wav 文件。

>>> import scipy

>>> sampling_rate = model.config.audio_encoder.sampling_rate
>>> scipy.io.wavfile.write("musicgen_out.wav", rate=sampling_rate, data=audio_values[0, 0].numpy())

文本条件生成

该模型可以使用 MusicgenProcessor 预处理输入,生成以文本提示为条件的音频样本。

>>> from transformers import AutoProcessor, MusicgenForConditionalGeneration

>>> processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

>>> inputs = processor(
...     text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
...     padding=True,
...     return_tensors="pt",
... )
>>> audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

guidance_scale 用于无分类器引导(CFG),设置条件 logits(由文本提示预测)和无条件 logits(由无条件或“空”提示预测)之间的权重。较高的引导尺度鼓励模型生成与输入提示更紧密相关的样本,通常以牺牲音频质量为代价。通过设置 guidance_scale > 1 启用 CFG。为了获得最佳效果,请使用 guidance_scale=3(默认)。

音频提示生成

相同的 MusicgenProcessor 可用于预处理用于音频延续的音频提示。在以下示例中,我们使用 🤗 Datasets 库加载音频文件,该库可以通过以下命令进行 pip 安装。

pip install --upgrade pip
pip install datasets[audio]
>>> from transformers import AutoProcessor, MusicgenForConditionalGeneration
>>> from datasets import load_dataset

>>> processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

>>> dataset = load_dataset("sanchit-gandhi/gtzan", split="train", streaming=True)
>>> sample = next(iter(dataset))["audio"]

>>> # take the first half of the audio sample
>>> sample["array"] = sample["array"][: len(sample["array"]) // 2]

>>> inputs = processor(
...     audio=sample["array"],
...     sampling_rate=sample["sampling_rate"],
...     text=["80s blues track with groovy saxophone"],
...     padding=True,
...     return_tensors="pt",
... )
>>> audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

对于批处理音频提示生成,可以使用 MusicgenProcessor 类对生成的 audio_values 进行后处理以删除填充。

>>> from transformers import AutoProcessor, MusicgenForConditionalGeneration
>>> from datasets import load_dataset

>>> processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

>>> dataset = load_dataset("sanchit-gandhi/gtzan", split="train", streaming=True)
>>> sample = next(iter(dataset))["audio"]

>>> # take the first quarter of the audio sample
>>> sample_1 = sample["array"][: len(sample["array"]) // 4]

>>> # take the first half of the audio sample
>>> sample_2 = sample["array"][: len(sample["array"]) // 2]

>>> inputs = processor(
...     audio=[sample_1, sample_2],
...     sampling_rate=sample["sampling_rate"],
...     text=["80s blues track with groovy saxophone", "90s rock song with loud guitars and heavy drums"],
...     padding=True,
...     return_tensors="pt",
... )
>>> audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

>>> # post-process to remove padding from the batched audio
>>> audio_values = processor.batch_decode(audio_values, padding_mask=inputs.padding_mask)

生成配置

控制生成过程的默认参数(例如采样、引导尺度和生成的 token 数量)可以在模型的生成配置中找到,并根据需要更新。

>>> from transformers import MusicgenForConditionalGeneration

>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

>>> # inspect the default generation config
>>> model.generation_config

>>> # increase the guidance scale to 4.0
>>> model.generation_config.guidance_scale = 4.0

>>> # decrease the max length to 256 tokens
>>> model.generation_config.max_length = 256

请注意,传递给生成方法的任何参数都将**覆盖**生成配置中的参数,因此在生成调用中设置 do_sample=False 将覆盖生成配置中 model.generation_config.do_sample 的设置。

模型结构

MusicGen 模型可以分解为三个不同的阶段。

  1. 文本编码器:将文本输入映射到隐藏状态表示的序列。预训练的 MusicGen 模型使用来自 T5 或 Flan-T5 的冻结文本编码器。
  2. MusicGen 解码器:一个语言模型 (LM),它根据编码器隐藏状态表示自回归地生成音频 token(或代码)。
  3. 音频编码器/解码器:用于编码音频提示以用作提示 token,并从解码器预测的音频 token 中恢复音频波形。

因此,MusicGen 模型可以作为独立的解码器模型使用,对应于类 MusicgenForCausalLM,或者作为包含文本编码器和音频编码器/解码器的复合模型使用,对应于类 MusicgenForConditionalGeneration。如果只需要从预训练的检查点加载解码器,则可以通过首先指定正确的配置来加载它,或者通过复合模型的 .decoder 属性访问它。

>>> from transformers import AutoConfig, MusicgenForCausalLM, MusicgenForConditionalGeneration

>>> # Option 1: get decoder config and pass to `.from_pretrained`
>>> decoder_config = AutoConfig.from_pretrained("facebook/musicgen-small").decoder
>>> decoder = MusicgenForCausalLM.from_pretrained("facebook/musicgen-small", **decoder_config)

>>> # Option 2: load the entire composite model, but only return the decoder
>>> decoder = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small").decoder

由于文本编码器和音频编码器/解码器模型在训练期间是冻结的,因此 MusicGen 解码器 MusicgenForCausalLM 可以单独在编码器隐藏状态和音频代码的数据集上进行训练。在推理过程中,训练好的解码器可以与冻结的文本编码器和音频编码器/解码器组合在一起,以恢复复合的 MusicgenForConditionalGeneration 模型。

提示

  • MusicGen 在 Encodec 的 32kHz 检查点上进行了训练。您应该确保使用兼容版本的 Encodec 模型。
  • 采样模式往往比贪婪模式产生更好的结果 - 您可以在调用 MusicgenForConditionalGeneration.generate() 时使用变量 do_sample 切换采样。

MusicgenDecoderConfig

class transformers.MusicgenDecoderConfig

< >

( vocab_size = 2048 max_position_embeddings = 2048 num_hidden_layers = 24 ffn_dim = 4096 num_attention_heads = 16 layerdrop = 0.0 use_cache = True activation_function = 'gelu' hidden_size = 1024 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 initializer_factor = 0.02 scale_embedding = False num_codebooks = 4 audio_channels = 1 pad_token_id = 2048 bos_token_id = 2048 eos_token_id = None tie_word_embeddings = False **kwargs )

参数

  • vocab_size (int, 可选, 默认为 2048) — MusicgenDecoder 模型的词典大小。 定义了调用 MusicgenDecoder 时传入的 inputs_ids 可以表示的不同标记数量。
  • hidden_size (int, 可选, 默认为 1024) — 层和池化层的大小。
  • num_hidden_layers (int, 可选, 默认为 24) — 解码器层数。
  • num_attention_heads (int, 可选, 默认为 16) — Transformer 块中每个注意力层的注意力头数。
  • ffn_dim (int, 可选, 默认为 4096) — Transformer 块中“中间”层(通常称为前馈层)的大小。
  • activation_function (strfunction, 可选, 默认为 "gelu") — 解码器和池化层中的非线性激活函数(函数或字符串)。 如果是字符串,则支持 "gelu""relu""silu""gelu_new"
  • dropout (float, 可选, 默认为 0.1) — 嵌入、文本编码器和池化层中所有全连接层的 dropout 概率。
  • attention_dropout (float, 可选, 默认为 0.0) — 注意力概率的 dropout 比例。
  • activation_dropout (float, 可选, 默认值 0.0) — 全连接层中激活的丢弃率。
  • max_position_embeddings (int, 可选, 默认值 2048) — 此模型可能使用的最大序列长度。 通常,将此值设置为足够大的值,以防万一 (例如,512 或 1024 或 2048)。
  • initializer_factor (float, 可选, 默认值 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。
  • layerdrop (float, 可选, 默认值 0.0) — 解码器的 LayerDrop 概率。 有关更多详细信息,请参阅 [LayerDrop 论文](参见 https://arxiv.org/abs/1909.11556)。
  • scale_embedding (bool, 可选, 默认值 False) — 通过除以 sqrt(hidden_size) 来缩放嵌入。
  • use_cache (bool, 可选, 默认值 True) — 模型是否应返回最后键值注意力 (并非所有模型都使用此功能)
  • num_codebooks (int, 可选, 默认值 4) — 传递到模型的并行码本数量。
  • tie_word_embeddings(bool, 可选, 默认值 False) — 输入和输出词嵌入是否应绑定。
  • audio_channels (int, 可选, 默认值 1 — 音频数据中的通道数量。 1 表示单声道,2 表示立体声。 立体声模型为左右声道输出生成单独的音频流。 单声道模型生成单个音频流输出。

这是一个配置类,用于存储 MusicgenDecoder 的配置。 它用于根据指定的参数实例化一个 MusicGen 解码器,定义模型架构。 使用默认值实例化配置将产生与 MusicGen facebook/musicgen-small 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 中的文档,了解更多信息。

MusicgenConfig

class transformers.MusicgenConfig

  • kwargs (可选) — 关键字参数字典。值得注意的是:

    • text_encoder (预训练配置, 可选) — 定义文本编码器配置的配置对象实例。
    • audio_encoder (预训练配置, 可选) — 定义音频编码器配置的配置对象实例。
    • decoder (预训练配置, 可选) — 定义解码器配置的配置对象实例。

这是用于存储 MusicgenModel 配置的配置类。它用于根据指定的参数实例化一个 MusicGen 模型,定义文本编码器、音频编码器和 MusicGen 解码器配置。

配置对象继承自 PretrainedConfig,可用于控制模型输出。 阅读 PretrainedConfig 中的文档,了解更多信息。

示例

>>> from transformers import (
...     MusicgenConfig,
...     MusicgenDecoderConfig,
...     T5Config,
...     EncodecConfig,
...     MusicgenForConditionalGeneration,
... )

>>> # Initializing text encoder, audio encoder, and decoder model configurations
>>> text_encoder_config = T5Config()
>>> audio_encoder_config = EncodecConfig()
>>> decoder_config = MusicgenDecoderConfig()

>>> configuration = MusicgenConfig.from_sub_models_config(
...     text_encoder_config, audio_encoder_config, decoder_config
... )

>>> # Initializing a MusicgenForConditionalGeneration (with random weights) from the facebook/musicgen-small style configuration
>>> model = MusicgenForConditionalGeneration(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
>>> config_text_encoder = model.config.text_encoder
>>> config_audio_encoder = model.config.audio_encoder
>>> config_decoder = model.config.decoder

>>> # Saving the model, including its configuration
>>> model.save_pretrained("musicgen-model")

>>> # loading model and config from pretrained folder
>>> musicgen_config = MusicgenConfig.from_pretrained("musicgen-model")
>>> model = MusicgenForConditionalGeneration.from_pretrained("musicgen-model", config=musicgen_config)

from_sub_models_config

< >

( text_encoder_config: PretrainedConfig audio_encoder_config: PretrainedConfig decoder_config: MusicgenDecoderConfig **kwargs ) MusicgenConfig

返回值

MusicgenConfig

一个配置对象实例

从文本编码器、音频编码器和解码器配置实例化一个 MusicgenConfig(或派生类)。

MusicgenProcessor

class transformers.MusicgenProcessor

< >

( feature_extractor tokenizer )

参数

  • feature_extractor (EncodecFeatureExtractor) — EncodecFeatureExtractor 的实例。特征提取器是必需的输入。
  • tokenizer (T5Tokenizer) — T5Tokenizer 的实例。分词器是必需的输入。

构造一个 MusicGen 处理器,它将 EnCodec 特征提取器和 T5 分词器封装到一个单独的处理器类中。

MusicgenProcessor 提供了 EncodecFeatureExtractorTTokenizer 的所有功能。有关更多信息,请参阅 __call__()decode()

batch_decode

< >

( *args **kwargs )

此方法用于解码 Musicgen 模型的音频输出批次,或解码分词器的 token ID 批次。在解码 token ID 的情况下,此方法将其所有参数转发到 T5Tokenizer 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将其所有参数转发到 T5Tokenizer 的 decode()。有关更多信息,请参阅此方法的文档字符串。

MusicgenModel

class transformers.MusicgenModel

< >

( config: MusicgenDecoderConfig )

参数

  • config (MusicgenConfig) — 模型配置类,包含模型的所有参数。 用配置文件初始化不会加载与模型关联的权重,只会加载配置。 查看 from_pretrained() 方法来加载模型权重。

不带任何特定头的 Musicgen 解码器模型,输出原始隐藏状态。

Musicgen 模型在 Simple and Controllable Music Generation 中由 Jade Copet、Felix Kreuk、Itai Gat、Tal Remez、David Kant、Gabriel Synnaeve、Yossi Adi 和 Alexandre Défossez 提出。 它是一个编码器 - 解码器 Transformer,在条件音乐生成任务上进行训练。

此模型继承自 PreTrainedModel。 查看超类文档以获取库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头等)。

此模型也是一个 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

forward

< >

( input_ids: LongTensor = None attention_mask: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None head_mask: Optional = None cross_attn_head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None )

参数

  • input_ids (torch.LongTensor of shape (batch_size * num_codebooks, sequence_length)) — 输入序列标记在词汇表中的索引,对应于音频代码序列。

    索引可以通过使用音频编码器模型对音频提示进行编码来获得,以预测音频代码,例如使用 EncodecModel。 有关详细信息,请参阅 EncodecModel.encode()

    什么是输入 ID?

    input_ids 将在 forward pass 中自动从形状 (batch_size * num_codebooks, target_sequence_length) 转换为 (batch_size, num_codebooks, target_sequence_length)。 如果你从音频编码模型(如 EncodecModel)获取音频代码,请确保帧数等于 1,并且在将它们传递为 input_ids 之前,将音频代码从 (frames, batch_size, num_codebooks, target_sequence_length) 重塑为 (batch_size * num_codebooks, target_sequence_length)

  • attention_mask (torch.Tensor of shape (batch_size, sequence_length), optional) — 掩码,用于避免对填充标记索引执行注意力。 掩码值在 [0, 1] 中选择:

    • 1 代表未被掩码的标记
    • 0 代表被掩码的标记

    什么是注意力掩码?

  • encoder_hidden_states (torch.FloatTensor of shape (batch_size, encoder_sequence_length, hidden_size), optional) — 编码器最后一层输出的隐藏状态序列。 用于解码器的交叉注意力。
  • encoder_attention_mask (torch.LongTensor 形状为 (batch_size, encoder_sequence_length), 可选) — 掩码以避免对编码器输入 ID 的填充标记索引执行交叉注意力。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的标记,
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads), 可选) — 掩码以使注意力模块的选定头部无效。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的头部,
    • 0 表示掩码的头部。
  • cross_attn_head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads), 可选) — 掩码以使解码器中交叉注意力模块的选定头部无效,以避免对隐藏头部执行交叉注意力。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的头部,
    • 0 表示掩码的头部。
  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(tuple(torch.FloatTensor)),每个元组包含 2 个形状为 (batch_size, num_heads, sequence_length, embed_size_per_head) 的张量和 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

    包含预计算的隐藏状态(自注意力块和交叉注意力块中的键和值),可用于(见 past_key_values 输入)加快顺序解码。

    如果使用 past_key_values,用户可以选择仅输入形状为 (batch_size, 1) 的最后一个 decoder_input_ids(这些 ID 没有提供其过去的键值状态给此模型)而不是形状为 (batch_size, sequence_length) 的所有 decoder_input_ids

  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,而不是传递 input_ids,您可以选择直接传递嵌入表示。 如果您想比模型的内部嵌入查找矩阵对如何将 input_ids 索引转换为关联向量有更多控制,这将很有用。
  • 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
  • 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。

MusicgenModel 正向方法覆盖了 __call__ 特殊方法。

尽管正向传递的配方需要在此函数中定义,但应随后调用 Module 实例而不是此实例,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

MusicgenForCausalLM

class transformers.MusicgenForCausalLM

( config: MusicgenDecoderConfig )

参数

  • config (MusicgenConfig) — 模型配置类,包含模型的所有参数。 使用配置文件初始化不会加载与模型关联的权重,只会加载配置。 查看 from_pretrained() 方法以加载模型权重。

带有语言建模头的 MusicGen 解码器模型。

Musicgen 模型在 Simple and Controllable Music Generation 中由 Jade Copet、Felix Kreuk、Itai Gat、Tal Remez、David Kant、Gabriel Synnaeve、Yossi Adi 和 Alexandre Défossez 提出。 它是一个编码器 - 解码器 Transformer,在条件音乐生成任务上进行训练。

此模型继承自 PreTrainedModel。 查看超类文档以获取库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头等)。

此模型也是一个 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

forward

< >

( input_ids: LongTensor = None attention_mask: Optional = None encoder_hidden_states: Optional = None encoder_attention_mask: Optional = None head_mask: Optional = None cross_attn_head_mask: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) transformers.modeling_outputs.Seq2SeqLMOutputtuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size * num_codebooks, sequence_length)) — 词汇表中输入序列标记的索引,对应于音频代码序列。

    索引可以通过使用音频编码器模型对音频提示进行编码来获取,以预测音频代码,例如使用 EncodecModel。 有关详细信息,请参见 EncodecModel.encode()

    什么是输入 ID?

    在正向传递中,input_ids 将自动从形状 (batch_size * num_codebooks, target_sequence_length) 转换为 (batch_size, num_codebooks, target_sequence_length)。 如果你从音频编码模型(例如 EncodecModel)获得音频代码,请确保帧数等于 1,并且在将音频代码作为 input_ids 传递之前,将其从 (frames, batch_size, num_codebooks, target_sequence_length) 重塑为 (batch_size * num_codebooks, target_sequence_length)

  • attention_mask (torch.Tensor 形状为 (batch_size, sequence_length)可选) — 掩码,用于避免对填充标记索引执行注意力操作。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的标记。
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • encoder_hidden_states (torch.FloatTensor 形状为 (batch_size, encoder_sequence_length, hidden_size)可选) — 编码器最后一层输出的隐藏状态序列。 在解码器的交叉注意力中使用。
  • encoder_attention_mask (torch.LongTensor 形状为 (batch_size, encoder_sequence_length)可选) — 掩码,用于避免对编码器输入 ID 的填充标记索引执行交叉注意力。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的标记。
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads)可选) — 掩码,用于使注意力模块的选定头部无效。 掩码值在 [0, 1] 中选择:

    • 1 表示未掩码的头部。
    • 0 表示掩码的头部。
  • cross_attn_head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads)可选) — 用于使解码器中交叉注意力模块的选定头部无效的掩码,以避免对隐藏头部执行交叉注意力。掩码值在 [0, 1] 中选择:

    • 1 表示头部未被掩码
    • 0 表示头部被掩码
  • past_key_values (tuple(tuple(torch.FloatTensor))可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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,以及 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。

    包含预计算的隐藏状态(自注意力块和交叉注意力块中的键和值),这些状态可用于(参见 past_key_values 输入)加快顺序解码。

    如果使用 past_key_values,用户可以选择仅输入形状为 (batch_size, 1) 的最后一个 decoder_input_ids(那些没有提供其过去键值状态的输入),而不是输入形状为 (batch_size, sequence_length) 的所有 decoder_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。如果您想对如何将 input_ids 索引转换为关联向量进行更多控制,这将很有用,而不是模型的内部嵌入查找矩阵。
  • 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,请参见返回张量中的 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,请参见返回张量中的 hidden_states
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (torch.LongTensor 形状为 (batch_size, sequence_length, num_codebooks)可选) — 用于语言建模的标签。请注意,标签在模型内部已移位,即您可以设置 labels = input_ids 索引在 [-100, 0, ..., config.vocab_size] 中选择。所有设置为 -100 的标签将被忽略(掩码),损失仅针对 [0, ..., config.vocab_size] 中的标签计算。

返回值

transformers.modeling_outputs.Seq2SeqLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Seq2SeqLMOutputtorch.FloatTensor 的元组(如果传递 return_dict=Falseconfig.return_dict=False),包含取决于配置 (MusicgenConfig) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,在提供 labels 时返回) — 语言建模损失。

  • logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数(SoftMax 之前每个词汇标记的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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,以及 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。

    包含预计算的隐藏状态(自注意力块和交叉注意力块中的键和值),这些状态可用于(参见 past_key_values 输入)加快顺序解码。

  • decoder_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(一个用于嵌入的输出,如果模型具有嵌入层,再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    每个层的输出处的解码器的隐藏状态加上初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor)可选,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器的注意力权重,在注意力 SoftMax 之后,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=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个),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值。

  • encoder_last_hidden_state (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 模型编码器最后一层的输出处的隐藏状态序列。

  • encoder_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(一个用于嵌入的输出,如果模型具有嵌入层,再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    每个层的输出处的编码器的隐藏状态加上初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor)可选,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    编码器中的注意力权重,在注意力 Softmax 之后使用,用于计算自注意力头中的加权平均值。

MusicgenForCausalLM 的前向方法覆盖了 __call__ 特殊方法。

尽管正向传递的配方需要在此函数中定义,但应随后调用 Module 实例而不是此实例,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

MusicgenForConditionalGeneration

class transformers.MusicgenForConditionalGeneration

< >

( config: Optional = None text_encoder: Optional = None audio_encoder: Optional = None decoder: Optional = None )

参数

  • config (MusicgenConfig) — 模型配置类,包含模型的所有参数。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。查看 from_pretrained() 方法加载模型权重。

带文本编码器、音频编码器和 Musicgen 解码器的复合 Musicgen 模型,用于使用文本和/或音频提示的音乐生成任务。

Musicgen 模型在 Simple and Controllable Music Generation 中由 Jade Copet、Felix Kreuk、Itai Gat、Tal Remez、David Kant、Gabriel Synnaeve、Yossi Adi 和 Alexandre Défossez 提出。 它是一个编码器 - 解码器 Transformer,在条件音乐生成任务上进行训练。

此模型继承自 PreTrainedModel。 查看超类文档以获取库为所有模型实现的通用方法(例如下载或保存、调整输入嵌入大小、修剪头等)。

此模型也是一个 PyTorch torch.nn.Module 子类。 将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解有关一般使用和行为的所有事项。

forward

< >

( input_ids: Optional = None attention_mask: Optional = None input_values: Optional = None padding_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None encoder_outputs: Optional = None past_key_values: Tuple = None inputs_embeds: Optional = None decoder_inputs_embeds: Optional = None labels: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None **kwargs ) transformers.modeling_outputs.Seq2SeqLMOutput or tuple(torch.FloatTensor)

参数

  • input_ids (torch.LongTensor 形状为 (batch_size, sequence_length)) — 输入序列标记在词汇表中的索引。如果您提供填充,默认情况下将忽略填充。

    可以使用 AutoTokenizer 获取索引。查看 PreTrainedTokenizer.encode()PreTrainedTokenizer.call() 获取详细信息。

    什么是输入 ID?

  • attention_mask (torch.Tensor 形状为 (batch_size, sequence_length), 可选) — 掩码以避免对填充标记索引执行注意力。在 [0, 1] 中选择的掩码值:

    • 1 表示未掩码的标记,
    • 0 表示掩码的标记。

    什么是注意力掩码?

  • decoder_input_ids (torch.LongTensor 形状为 (batch_size * num_codebooks, target_sequence_length), 可选) — 解码器输入序列标记在词汇表中的索引,对应于音频代码序列。

    可以使用音频编码器模型对音频提示进行编码来预测音频代码,例如使用 EncodecModel 获取索引。查看 EncodecModel.encode() 获取详细信息。

    什么是解码器输入 ID?

    在正向传递过程中,decoder_input_ids 将自动从形状 (batch_size * num_codebooks, target_sequence_length) 转换为 (batch_size, num_codebooks, target_sequence_length)。如果您从音频编码模型(例如 EncodecModel)获取音频代码,请确保帧数等于 1,并且在将它们作为 decoder_input_ids 传递之前,将音频代码从 (frames, batch_size, num_codebooks, target_sequence_length) 重塑为 (batch_size * num_codebooks, target_sequence_length)

  • decoder_attention_mask (torch.LongTensor 形状为 (batch_size, target_sequence_length), 可选) — 默认行为:生成一个张量,忽略 decoder_input_ids 中的填充标记。因果掩码也将默认使用。
  • head_mask (torch.Tensor 形状为 (encoder_layers, encoder_attention_heads), 可选) — 掩码,用于使编码器中注意力模块的选定头无效。掩码值选择在 [0, 1] 中:

    • 1 表示头部未被掩盖
    • 0 表示头部被掩盖
  • decoder_head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads), 可选) — 掩码,用于使解码器中注意力模块的选定头无效。掩码值选择在 [0, 1] 中:

    • 1 表示头部未被掩盖
    • 0 表示头部被掩盖
  • cross_attn_head_mask (torch.Tensor 形状为 (decoder_layers, decoder_attention_heads), 可选) — 掩码,用于使解码器中交叉注意力模块的选定头无效。掩码值选择在 [0, 1] 中:

    • 1 表示头部未被掩盖
    • 0 表示头部被掩盖
  • encoder_outputs (tuple(tuple(torch.FloatTensor), 可选) — 元组包含 (last_hidden_state, 可选: hidden_states, 可选: attentions) last_hidden_state 形状为 (batch_size, sequence_length, hidden_size), 可选) 是编码器最后一层输出的隐藏状态序列。用于解码器的交叉注意力。
  • past_key_values (tuple(tuple(torch.FloatTensor)), 可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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)和 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的附加张量。

    包含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),这些隐藏状态可以用于(参见 past_key_values 输入)加快顺序解码。

    如果使用 past_key_values,用户可以选择仅输入最后一个 decoder_input_ids(那些没有将其过去的键值状态提供给此模型的输入)形状为 (batch_size, 1),而不是所有 decoder_input_ids 形状为 (batch_size, sequence_length)

  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size), 可选) — 可选地,除了传递 input_ids 之外,您可以选择直接传递嵌入表示。如果您想更精确地控制如何将 input_ids 索引转换为关联的向量,而不是模型的内部嵌入查找矩阵,这将很有用。
  • decoder_inputs_embeds (torch.FloatTensor 形状为 (batch_size, target_sequence_length, hidden_size), 可选) — 可选地,除了传递 decoder_input_ids 之外,您可以选择直接传递嵌入表示。如果使用 past_key_values,可以选择仅输入最后一个 decoder_inputs_embeds(参见 past_key_values)。如果您想更精确地控制如何将 decoder_input_ids 索引转换为关联的向量,而不是模型的内部嵌入查找矩阵,这将很有用。

    如果 decoder_input_idsdecoder_inputs_embeds 都未设置,则 decoder_inputs_embeds 将采用 inputs_embeds 的值。

  • labels (torch.LongTensor 形状为 (batch_size, sequence_length, num_codebooks), 可选) — 用于语言建模的标签。请注意,标签在模型内部被移位,即您可以设置 labels = input_ids。索引选择在 [-100, 0, ..., config.vocab_size] 中。所有设置为 -100 的标签都将被忽略(掩盖),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,则会返回 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,请参阅返回张量中的 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,请参阅返回张量中的 hidden_states
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。

返回值

transformers.modeling_outputs.Seq2SeqLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Seq2SeqLMOutputtorch.FloatTensor 的元组(如果传递 return_dict=Falseconfig.return_dict=False),包含取决于配置 (MusicgenConfig) 和输入的各种元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,在提供 labels 时返回) — 语言建模损失。

  • logits (torch.FloatTensor 形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数(SoftMax 之前每个词汇标记的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,在传递 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(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,以及 2 个形状为 (batch_size, num_heads, encoder_sequence_length, embed_size_per_head) 的额外张量。

    包含预计算的隐藏状态(自注意力块和交叉注意力块中的键和值),这些状态可用于(参见 past_key_values 输入)加快顺序解码。

  • decoder_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(一个用于嵌入的输出,如果模型具有嵌入层,再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    每个层的输出处的解码器的隐藏状态加上初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor)可选,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    解码器的注意力权重,在注意力 SoftMax 之后,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=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个),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值。

  • encoder_last_hidden_state (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 模型编码器最后一层的输出处的隐藏状态序列。

  • encoder_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(一个用于嵌入的输出,如果模型具有嵌入层,再加上每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    每个层的输出处的编码器的隐藏状态加上初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor)可选,在传递 output_attentions=Trueconfig.output_attentions=True 时返回) — torch.FloatTensor 的元组(每个层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    编码器中的注意力权重,在注意力 Softmax 之后使用,用于计算自注意力头中的加权平均值。

The MusicgenForConditionalGeneration forward method, overrides the __call__ special method.

尽管正向传递的配方需要在此函数中定义,但应随后调用 Module 实例而不是此实例,因为前者负责运行预处理和后处理步骤,而后者会静默地忽略它们。

Examples

>>> from transformers import AutoProcessor, MusicgenForConditionalGeneration
>>> import torch

>>> processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

>>> inputs = processor(
...     text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
...     padding=True,
...     return_tensors="pt",
... )

>>> pad_token_id = model.generation_config.pad_token_id
>>> decoder_input_ids = (
...     torch.ones((inputs.input_ids.shape[0] * model.decoder.num_codebooks, 1), dtype=torch.long)
...     * pad_token_id
... )

>>> logits = model(**inputs, decoder_input_ids=decoder_input_ids).logits
>>> logits.shape  # (bsz * num_codebooks, tgt_len, vocab_size)
torch.Size([8, 1, 2048])
< > Update on GitHub