Transformers 文档

Pop2Piano

Hugging Face's logo
加入 Hugging Face 社区

并获得增强文档体验

开始使用

Pop2Piano

Spaces

概述

Pop2Piano 模型由 Jongho Choi 和 Kyogu Lee 在 Pop2Piano:基于流行音频的钢琴伴奏生成 中提出。

流行音乐的钢琴伴奏深受人们喜爱,但从音乐中生成它们并非易事。它需要精湛的钢琴演奏技巧,以及对歌曲的不同特征和旋律的了解。使用 Pop2Piano,您可以直接从歌曲的音频波形生成伴奏。它是第一个直接从流行音频生成钢琴伴奏的模型,无需旋律和和弦提取模块。

Pop2Piano 是一个基于 T5 的编码器-解码器 Transformer 模型。输入音频被转换为其波形,并传递到编码器,编码器将其转换为潜在表示。解码器使用这些潜在表示以自回归的方式生成 token id。每个 token id 对应于四种不同类型的 token 之一:时间、速度、音符和“特殊”。然后,token id 被解码为等效的 MIDI 文件。

论文中的摘要如下:

许多人喜欢流行音乐的钢琴伴奏。然而,自动生成流行音乐的钢琴伴奏的任务仍未得到充分研究。这部分是由于缺乏同步的 {流行音乐,钢琴伴奏} 数据对,这使得难以应用最新的基于数据密集型深度学习的方法。为了利用数据驱动方法的强大功能,我们使用自动管道生成大量成对的同步 {流行音乐,钢琴伴奏} 数据。在本文中,我们介绍了 Pop2Piano,这是一种 Transformer 网络,它在给定流行音乐波形的情况下生成钢琴伴奏。据我们所知,这是第一个直接从流行音频生成钢琴伴奏的模型,无需使用旋律和和弦提取模块。我们证明 Pop2Piano 在使用我们的数据集训练后,能够生成合理的钢琴伴奏。

该模型由 Susnato Dhar 贡献。原始代码可以在 此处 找到。

使用技巧

  • 要使用 Pop2Piano,您需要安装 🤗 Transformers 库,以及以下第三方模块
pip install pretty-midi==0.2.9 essentia==2.1b6.dev1034 librosa scipy

请注意,您可能需要在安装后重新启动运行时。

  • Pop2Piano 是一个基于编码器-解码器的模型,类似于 T5。
  • Pop2Piano 可用于为给定的音频序列生成 MIDI 音频文件。
  • Pop2PianoForConditionalGeneration.generate() 中选择不同的作曲家会导致各种不同的结果。
  • 在加载音频文件时将采样率设置为 44.1 kHz 可以提供良好的性能。
  • 尽管 Pop2Piano 主要是在韩国流行音乐上训练的,但它在其他西方流行音乐或嘻哈歌曲上也表现得相当不错。

示例

  • 使用 HuggingFace 数据集的示例
>>> from datasets import load_dataset
>>> from transformers import Pop2PianoForConditionalGeneration, Pop2PianoProcessor

>>> model = Pop2PianoForConditionalGeneration.from_pretrained("sweetcocoa/pop2piano")
>>> processor = Pop2PianoProcessor.from_pretrained("sweetcocoa/pop2piano")
>>> ds = load_dataset("sweetcocoa/pop2piano_ci", split="test")

>>> inputs = processor(
...     audio=ds["audio"][0]["array"], sampling_rate=ds["audio"][0]["sampling_rate"], return_tensors="pt"
... )
>>> model_output = model.generate(input_features=inputs["input_features"], composer="composer1")
>>> tokenizer_output = processor.batch_decode(
...     token_ids=model_output, feature_extractor_output=inputs
... )["pretty_midi_objects"][0]
>>> tokenizer_output.write("./Outputs/midi_output.mid")
  • 使用您自己的音频文件的示例
>>> import librosa
>>> from transformers import Pop2PianoForConditionalGeneration, Pop2PianoProcessor

>>> audio, sr = librosa.load("<your_audio_file_here>", sr=44100)  # feel free to change the sr to a suitable value.
>>> model = Pop2PianoForConditionalGeneration.from_pretrained("sweetcocoa/pop2piano")
>>> processor = Pop2PianoProcessor.from_pretrained("sweetcocoa/pop2piano")

>>> inputs = processor(audio=audio, sampling_rate=sr, return_tensors="pt")
>>> model_output = model.generate(input_features=inputs["input_features"], composer="composer1")
>>> tokenizer_output = processor.batch_decode(
...     token_ids=model_output, feature_extractor_output=inputs
... )["pretty_midi_objects"][0]
>>> tokenizer_output.write("./Outputs/midi_output.mid")
  • 批量处理多个音频文件的示例
>>> import librosa
>>> from transformers import Pop2PianoForConditionalGeneration, Pop2PianoProcessor

>>> # feel free to change the sr to a suitable value.
>>> audio1, sr1 = librosa.load("<your_first_audio_file_here>", sr=44100)  
>>> audio2, sr2 = librosa.load("<your_second_audio_file_here>", sr=44100)
>>> model = Pop2PianoForConditionalGeneration.from_pretrained("sweetcocoa/pop2piano")
>>> processor = Pop2PianoProcessor.from_pretrained("sweetcocoa/pop2piano")

>>> inputs = processor(audio=[audio1, audio2], sampling_rate=[sr1, sr2], return_attention_mask=True, return_tensors="pt")
>>> # Since we now generating in batch(2 audios) we must pass the attention_mask
>>> model_output = model.generate(
...     input_features=inputs["input_features"],
...     attention_mask=inputs["attention_mask"],
...     composer="composer1",
... )
>>> tokenizer_output = processor.batch_decode(
...     token_ids=model_output, feature_extractor_output=inputs
... )["pretty_midi_objects"]

>>> # Since we now have 2 generated MIDI files
>>> tokenizer_output[0].write("./Outputs/midi_output1.mid")
>>> tokenizer_output[1].write("./Outputs/midi_output2.mid")
  • 批量处理多个音频文件的示例(使用 Pop2PianoFeatureExtractorPop2PianoTokenizer
>>> import librosa
>>> from transformers import Pop2PianoForConditionalGeneration, Pop2PianoFeatureExtractor, Pop2PianoTokenizer

>>> # feel free to change the sr to a suitable value.
>>> audio1, sr1 = librosa.load("<your_first_audio_file_here>", sr=44100)  
>>> audio2, sr2 = librosa.load("<your_second_audio_file_here>", sr=44100)
>>> model = Pop2PianoForConditionalGeneration.from_pretrained("sweetcocoa/pop2piano")
>>> feature_extractor = Pop2PianoFeatureExtractor.from_pretrained("sweetcocoa/pop2piano")
>>> tokenizer = Pop2PianoTokenizer.from_pretrained("sweetcocoa/pop2piano")

>>> inputs = feature_extractor(
...     audio=[audio1, audio2], 
...     sampling_rate=[sr1, sr2], 
...     return_attention_mask=True, 
...     return_tensors="pt",
... )
>>> # Since we now generating in batch(2 audios) we must pass the attention_mask
>>> model_output = model.generate(
...     input_features=inputs["input_features"],
...     attention_mask=inputs["attention_mask"],
...     composer="composer1",
... )
>>> tokenizer_output = tokenizer.batch_decode(
...     token_ids=model_output, feature_extractor_output=inputs
... )["pretty_midi_objects"]

>>> # Since we now have 2 generated MIDI files
>>> tokenizer_output[0].write("./Outputs/midi_output1.mid")
>>> tokenizer_output[1].write("./Outputs/midi_output2.mid")

Pop2PianoConfig

class transformers.Pop2PianoConfig

< >

( vocab_size = 2400 composer_vocab_size = 21 d_model = 512 d_kv = 64 d_ff = 2048 num_layers = 6 num_decoder_layers = None num_heads = 8 relative_attention_num_buckets = 32 relative_attention_max_distance = 128 dropout_rate = 0.1 layer_norm_epsilon = 1e-06 initializer_factor = 1.0 feed_forward_proj = 'gated-gelu' is_encoder_decoder = True use_cache = True pad_token_id = 0 eos_token_id = 1 dense_act_fn = 'relu' **kwargs )

参数

  • vocab_size (int, 可选,默认值为 2400) — Pop2PianoForConditionalGeneration 模型的词汇量大小。定义了调用 Pop2PianoForConditionalGeneration 时可以由 inputs_ids 表示的不同标记的数量。
  • composer_vocab_size (int, 可选,默认值为 21) — 表示作曲家数量。
  • d_model (int, 可选,默认值为 512) — 编码器层和池化层的尺寸。
  • d_kv (int, 可选,默认值为 64) — 每个注意力头的键、查询和值投影的尺寸。投影层的 inner_dim 将被定义为 num_heads * d_kv
  • d_ff (int, 可选, 默认值为 2048) — 每个Pop2PianoBlock 中中间前馈层的尺寸。
  • num_layers (int, 可选, 默认值为 6) — Transformer 编码器中的隐藏层数量。
  • num_decoder_layers (int, 可选) — Transformer 解码器中的隐藏层数量。如果未设置,将使用与num_layers 相同的值。
  • num_heads (int, 可选, 默认值为 8) — Transformer 编码器中每个注意力层的注意力头数。
  • relative_attention_num_buckets (int, 可选, 默认值为 32) — 每个注意力层使用的桶数。
  • relative_attention_max_distance (int, 可选, 默认值为 128) — 桶分隔的较长序列的最大距离。
  • dropout_rate (float, 可选, 默认值为 0.1) — 所有 dropout 层的比例。
  • layer_norm_epsilon (float, 可选, 默认值为 1e-6) — 层归一化层使用的 epsilon。
  • initializer_factor (float, 可选, 默认值为 1.0) — 初始化所有权重矩阵的因子(应保持为 1.0,在内部用于初始化测试)。
  • feed_forward_proj (string, 可选, 默认值为 "gated-gelu") — 要使用的前馈层类型。应为 "relu""gated-gelu" 之一。
  • dense_act_fn (string, 可选, 默认值为 "relu") — 用于 Pop2PianoDenseActDensePop2PianoDenseGatedActDense 的激活函数类型。

这是用于存储 Pop2PianoForConditionalGeneration 配置的配置类。它用于根据指定的参数实例化 Pop2PianoForConditionalGeneration 模型,定义模型架构。使用默认值实例化配置将生成与 Pop2Piano sweetcocoa/pop2piano 架构相似的配置。

配置对象继承自 PretrainedConfig 并可用于控制模型输出。阅读来自 PretrainedConfig 的文档以获取更多信息。

Pop2PianoFeatureExtractor

transformers.Pop2PianoFeatureExtractor

< >

( *args **kwargs )

__call__

( *args **kwargs )

将 self 作为函数调用。

Pop2PianoForConditionalGeneration

transformers.Pop2PianoForConditionalGeneration

< >

( config: Pop2PianoConfig )

参数

  • config (Pop2PianoConfig) — 模型配置类,包含模型的所有参数。使用配置文件进行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 Pop2Piano 模型。该模型继承自 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、调整输入嵌入大小、剪枝头等)。

该模型也是 PyTorch torch.nn.Module 子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以获取有关通用使用和行为的所有事宜。

forward

< >

( input_ids: Optional = None attention_mask: Optional = None decoder_input_ids: Optional = None decoder_attention_mask: Optional = None head_mask: Optional = None decoder_head_mask: Optional = None cross_attn_head_mask: Optional = None encoder_outputs: Optional = None past_key_values: Optional = None inputs_embeds: Optional = None input_features: 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 ) transformers.modeling_outputs.Seq2SeqLMOutputtuple(torch.FloatTensor)

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。Pop2Piano 是一个具有相对位置嵌入的模型,因此您可以左右两侧填充输入。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是输入 ID? 要了解更多关于如何为预训练准备 input_ids 的信息,请查看 Pop2Piano 训练
  • attention_mask (torch.FloatTensor 形状为 (batch_size, sequence_length), 可选) — 避免对填充标记索引执行注意力的掩码。在 [0, 1] 中选择掩码值:

  • decoder_input_ids (torch.LongTensor 形状为 (batch_size, target_sequence_length), 可选) — 词汇表中解码器输入序列标记的索引。可以使用 AutoTokenizer 获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode()PreTrainedTokenizer.call()什么是解码器输入 ID? Pop2Piano 使用 pad_token_id 作为 decoder_input_ids 生成的起始标记。如果使用 past_key_values,可以选择仅输入最后一个 decoder_input_ids(参见 past_key_values)。要了解更多关于如何准备
  • decoder_attention_mask (torch.BoolTensor 形状为 (batch_size, target_sequence_length), 可选) — 默认行为:生成一个忽略 decoder_input_ids 中填充标记的张量。因果掩码也将默认使用。
  • head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 用于使编码器中自注意力模块的选定头部失效的掩码。在 [0, 1] 中选择掩码值:

    • 1 表示头部未掩码
    • 0 表示头部掩码
  • decoder_head_mask (torch.FloatTensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 用于使解码器中自注意力模块的选定头部失效的掩码。在 [0, 1] 中选择掩码值:

    • 1 表示头部未掩码
    • 0 表示头部掩码
  • cross_attn_head_mask (torch.Tensor 形状为 (num_heads,)(num_layers, num_heads), 可选) — 用于使解码器中交叉注意力模块的选定头部失效的掩码。在 [0, 1] 中选择掩码值:

    • 1 表示头部未掩码
    • 0 表示头部掩码
  • 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) 是编码器最后一层输出处的隐藏状态序列。在解码器的交叉注意力中使用。
  • past_key_values (tuple(tuple(torch.FloatTensor)) 长度为 config.n_layers,每个元组包含 4 个形状为 (batch_size, num_heads, sequence_length - 1, embed_size_per_head) 的张量) — 包含注意力块的预计算键和值隐藏状态。可用于加快解码速度。如果使用 past_key_values,用户可以选择仅输入最后一个 decoder_input_ids(形状为 (batch_size, 1),而不是所有形状为 (batch_size, sequence_length)decoder_input_ids
  • inputs_embeds (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 可选地,您也可以选择直接传入嵌入表示,而不是传入 input_ids。如果您想要对如何将 input_ids 索引转换为关联向量进行更多控制,而不是模型内部的嵌入查找矩阵,这将很有用。
  • input_features (torch.FloatTensor 形状为 (batch_size, sequence_length, hidden_size)可选) — 与 inputs_embeds 执行相同的任务。如果 inputs_embeds 不存在,但 input_features 存在,则 input_features 将被视为 inputs_embeds
  • decoder_inputs_embeds (torch.FloatTensor 形状为 (batch_size, target_sequence_length, hidden_size)可选) — 可选地,您也可以选择直接传入嵌入表示,而不是传入 decoder_input_ids。如果使用 past_key_values,则可以选择只输入最后一个 decoder_inputs_embeds(请参阅 past_key_values)。如果您想要对如何将 decoder_input_ids 索引转换为关联向量进行更多控制,而不是模型内部的嵌入查找矩阵,这将很有用。如果 decoder_input_idsdecoder_inputs_embeds 都未设置,则 decoder_inputs_embeds 将取 inputs_embeds 的值。
  • use_cache (bool可选) — 如果设置为 True,则会返回 past_key_values 键值状态,可用于加快解码速度(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。
  • 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 [-100, 0, ..., config.vocab_size - 1] 中。所有设置为 -100 的标签都被忽略(屏蔽),损失仅针对 [0, ..., config.vocab_size] 中的标签进行计算

返回

transformers.modeling_outputs.Seq2SeqLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Seq2SeqLMOutputtorch.FloatTensor 的元组(如果传入 return_dict=Falseconfig.return_dict=False),包括根据配置 (Pop2PianoConfig) 和输入的不同元素。

  • loss (torch.FloatTensor 形状为 (1,)可选,当提供 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 之前每个词汇表标记的分数)。

  • past_key_values (tuple(tuple(torch.FloatTensor))可选,当传入 use_cache=Trueconfig.use_cache=True 时返回) — 长度为 config.n_layerstuple(torch.FloatTensor) 元组,每个元组都有 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),可用于(请参阅 past_key_values 输入)加速顺序解码。

  • decoder_hidden_states (tuple(torch.FloatTensor)可选,当传入 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,以及一个用于每个层的输出),形状为 (batch_size, sequence_length, hidden_size)

    解码器在每个层输出的隐藏状态,加上初始嵌入输出。

  • decoder_attentions (tuple(torch.FloatTensor)可选,当传入 output_attentions=Trueconfig.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,当传入 output_attentions=Trueconfig.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隐藏状态序列。

  • encoder_hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — 形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor 元组 (如果模型具有嵌入层,则一个用于嵌入的输出,以及一个用于每层的输出)。

    编码器在每一层输出处的隐藏状态,加上初始嵌入输出。

  • encoder_attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — 形状为 (batch_size, num_heads, sequence_length, sequence_length)torch.FloatTensor 元组 (每一层一个)。

    编码器的注意力权重,在注意力 Softmax 之后,用于计算自注意力头部的加权平均值。

Pop2PianoForConditionalGeneration 正向方法覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在这个函数中定义,但应该在之后调用 Module 实例,而不是这个函数,因为前者负责运行前处理和后处理步骤,而后者会静默地忽略它们。

generate

< >

( input_features attention_mask = None composer = 'composer1' generation_config = None **kwargs ) ModelOutputtorch.LongTensor

参数

  • input_features (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor, 可选) — 这是由 Pop2PianoFeatureExtractor 生成的音频的特征化版本。attention_mask — 对于批次生成,input_features 被填充以在所有示例中具有相同的形状。attention_mask 有助于确定哪些区域被填充,哪些没有填充。
    • 1 代表未填充的标记,
    • 0 代表填充的标记。
  • composer (str, 可选, 默认为 "composer1") — 此值传递给 Pop2PianoConcatEmbeddingToMel,为每个 "composer" 生成不同的嵌入。请确保在 generation_config 中的 composer_to_feature_token 中存在作曲家值。有关示例,请参见 https://huggingface.co/sweetcocoa/pop2piano/blob/main/generation_config.json
  • generation_config (~generation.GenerationConfig, 可选) — 用作生成调用基本参数化的生成配置。传递给生成匹配 generation_config 属性的 **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) 如果存在,则来自 generation_config.json 模型文件;2) 来自模型配置。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。kwargs — generate_config 的临时参数化和/或将转发到模型 forward 函数的额外模型特定 kwargs。如果模型是编码器-解码器模型,编码器特定 kwargs 不应添加前缀,解码器特定 kwargs 应添加前缀 decoder_

返回

ModelOutputtorch.LongTensor

一个 ModelOutput (如果 return_dict_in_generate=True 或当 config.return_dict_in_generate=True 时) 或 torch.FloatTensor。由于 Pop2Piano 是一个编码器-解码器模型 (model.config.is_encoder_decoder=True),可能的 ModelOutput 类型是

生成 MIDI 输出的标记 ID。

大多数生成控制参数在 generation_config 中设置,如果没有传递,它将设置为模型的默认生成配置。可以通过将相应的参数传递给 generate() 来覆盖任何 generation_config,例如 .generate(inputs, num_beams=4, do_sample=True)。有关生成策略和代码示例的概述,请查看 以下指南

Pop2PianoTokenizer

class transformers.Pop2PianoTokenizer

< >

( *args **kwargs )

__call__

( *args **kwargs )

将 self 作为函数调用。

Pop2PianoProcessor

class transformers.Pop2PianoProcessor

< >

( *args **kwargs )

__call__

( *args **kwargs )

将 self 作为函数调用。

< > Update on GitHub