SEW

概述

SEW（Squeezed and Efficient Wav2Vec）由 Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger 和 Yoav Artzi 在论文《Performance-Efficiency Trade-offs in Unsupervised Pre-training for Speech Recognition》中提出。

论文摘要如下：

本文研究了用于自动语音识别（ASR）的预训练模型中的性能与效率之间的权衡。我们专注于 wav2vec 2.0，并对影响模型性能和效率的几种架构设计进行了规范化。综合我们的所有观察，我们引入了 SEW（Squeezed and Efficient Wav2vec），这是一种预训练模型架构，在各种训练设置中，其性能和效率均有显著提升。例如，在 LibriSpeech 上的 100h-960h 半监督设置下，与 wav2vec 2.0 相比，SEW 实现了 1.9 倍的推理速度提升，同时词错误率相对降低了 13.5%。在相似的推理时间下，SEW 在不同模型大小下将词错误率降低了 25-50%。

此模型由 anton-l 贡献。

使用技巧

SEW 是一个语音模型，它接受与语音信号原始波形相对应的浮点数组。
SEWForCTC 使用联结主义时序分类（CTC）进行微调，因此模型输出必须使用 Wav2Vec2CTCTokenizer 进行解码。

[!NOTE] 当使用除“eager”之外的所有注意力实现时，head_mask 参数将被忽略。如果你有 head_mask 并希望它生效，请使用 XXXModel.from_pretrained(model_id, attn_implementation="eager") 加载模型。

资源

SEWConfig

class transformers.SEWConfig

< source >

( vocab_size = 32 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 squeeze_factor = 2 hidden_act = 'gelu' hidden_dropout = 0.1 activation_dropout = 0.1 attention_dropout = 0.1 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 = (64, 128, 128, 128, 128, 256, 256, 256, 256, 512, 512, 512, 512) conv_stride = (5, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1) conv_kernel = (10, 3, 1, 3, 1, 3, 1, 3, 1, 2, 1, 2, 1) conv_bias = False num_conv_pos_embeddings = 128 num_conv_pos_embedding_groups = 16 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 = 'mean' 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) — SEW 模型的词汇表大小。定义了在调用 SEW 时传递的 inputs_ids 可以表示的不同标记的数量。
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。
squeeze_factor (int, 可选, 默认为 2) — 编码器后的序列长度下采样因子和 Transformer 后的上采样因子。
hidden_act (str 或 function, 可选, 默认为 "gelu") — 编码器和池化层中的非线性激活函数（函数或字符串）。如果为字符串，支持 "gelu"、"relu"、"selu" 和 "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) — SEWForCTC 最终投影层的丢弃概率。
layerdrop (float, 可选, 默认为 0.1) — LayerDrop 概率。更多细节请参见 [LayerDrop 论文](参见 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。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, 可选, 默认为 0.0) — 特征编码器输出的丢弃概率。
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] 或 list[int], 可选, 默认为 (64, 128, 128, 128, 128, 256, 256, 256, 256, 512, 512, 512, 512)) — 一个整数元组，定义了特征编码器中每个 1D 卷积层的输入和输出通道数。conv_dim 的长度定义了 1D 卷积层的数量。
conv_stride (tuple[int] 或 list[int], 可选, 默认为 (5, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1)) — 一个整数元组，定义了特征编码器中每个 1D 卷积层的步幅。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] 或 list[int], 可选, 默认为 (10, 3, 1, 3, 1, 3, 1, 3, 1, 2, 1, 2, 1)) — 一个整数元组，定义了特征编码器中每个 1D 卷积层的核大小。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, 可选, 默认为 False) — 1D 卷积层是否带有偏置。
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。
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) — 时间轴上将被遮盖的所有特征向量的百分比（介于 0 和 1 之间）。遮盖过程会在时间轴上生成“mask_time_prob*len(time_axis)/mask_time_length”个独立的遮盖。如果从每个特征向量被选为要遮盖的向量跨度起点的概率来考虑，mask_time_prob 应为 `prob_vector_start*mask_time_length`。注意，重叠可能会减少实际被遮盖向量的百分比。此参数仅在 `apply_spec_augment` 为 True 时相关。
mask_time_length (int, 可选, 默认为 10) — 时间轴上向量跨度的长度。
mask_time_min_masks (int, 可选, 默认为 2), — 在时间轴上生成的长度为 mask_feature_length 的最小遮盖数量，无论 mask_feature_prob 为何。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) — 特征轴上将被遮盖的所有特征向量的百分比（介于 0 和 1 之间）。遮盖过程会在特征轴上生成“mask_feature_prob*len(feature_axis)/mask_time_length”个独立的遮盖。如果从每个特征向量被选为要遮盖的向量跨度起点的概率来考虑，mask_feature_prob 应为 `prob_vector_start*mask_feature_length`。注意，重叠可能会减少实际被遮盖向量的百分比。此参数仅在 `apply_spec_augment` 为 True 时相关。
mask_feature_length (int, 可选, 默认为 10) — 特征轴上向量跨度的长度。
mask_feature_min_masks (int, 可选, 默认为 0), — 在特征轴上生成的长度为 mask_feature_length 的最小遮盖数量，无论 mask_feature_prob 为何。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 输出的归约方法。仅在训练 SEWForCTC 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 SEWForCTC 实例时相关。
use_weighted_layer_sum (bool, 可选, 默认为 False) — 是否使用带有学习权重的层输出的加权平均。仅在使用 Wav2Vec2ForSequenceClassification 实例时相关。
classifier_proj_size (int, 可选, 默认为 256) — 分类任务中，在词元均值池化之前的投影维度。

这是用于存储 SEWModel 配置的配置类。它用于根据指定的参数实例化一个 SEW 模型，定义模型架构。使用默认值实例化配置将产生与 SEW asapp/sew-tiny-100k 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 SEWConfig, SEWModel

>>> # Initializing a SEW asapp/sew-tiny-100k style configuration
>>> configuration = SEWConfig()

>>> # Initializing a model (with random weights) from the asapp/sew-tiny-100k style configuration
>>> model = SEWModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config

SEWModel

class transformers.SEWModel

< source >

( config: SEWConfig )

参数

config (SEWConfig) — 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() 方法以加载模型权重。

基础的 Sew 模型，输出原始的隐藏状态，没有任何特定的头部。

此模型继承自 PreTrainedModel。请查看超类文档，了解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、修剪头部等）。

该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规的 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

< 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 (形状为 (batch_size, sequence_length) 的 torch.Tensor, 可选) — 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 list[float] 或 numpy.ndarray 类型的数组中来获得这些值，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。详情请参阅 {processor_class}.__call__。
attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免在填充标记索引上执行注意力操作的掩码。掩码值在 [0, 1] 中选择：
- 对于未被掩码的标记，值为 1，
- 对于被掩码的标记，值为 0。
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。更多详情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。更多详情请参阅返回张量下的 hidden_states。
return_dict (bool，可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。

transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.BaseModelOutput 或一个 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（SEWConfig）和输入，包含各种元素。

last_hidden_state (torch.FloatTensor, 形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出的隐藏状态序列。
hidden_states (tuple(torch.FloatTensor)，可选，当传入 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，则一个是嵌入层的输出，另外每个层各有一个输出），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，当传入 output_attentions=True 或当 config.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)。

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。

SEWModel 的 forward 方法，覆盖了 __call__ 特殊方法。

尽管前向传播的流程需要在此函数中定义，但之后应该调用 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。

SEWForCTC

class transformers.SEWForCTC

< 来源 >

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

参数

config (SEWForCTC) — 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关联的权重，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 SEWForCTC 实例时相关。默认使用‘eng’。

SEW 模型，其顶部带有一个用于连接时序分类 (CTC) 的 `语言建模` 头。

此模型继承自 PreTrainedModel。请查看超类文档，了解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、修剪头部等）。

该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规的 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

< 来源 >

( 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.Tensor，形状为 (batch_size, sequence_length)，可选) — 输入原始语音波形的浮点数值。可以通过将 .flac 或 .wav 音频文件加载到 list[float] 类型或 numpy.ndarray 类型的数组中来获取这些值，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。详情请参阅 {processor_class}.__call__。
attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免在填充标记索引上执行注意力操作的掩码。掩码值在 [0, 1] 中选择：
- 对于未被掩码的标记，值为 1，
- 对于被掩码的标记，值为 0。
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。更多详情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。更多详情请参阅返回张量下的 hidden_states。
return_dict (bool，可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
labels (torch.LongTensor，形状为 (batch_size, target_length)，可选) — 用于连接时序分类的标签。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 的标签都会被忽略（掩码），损失仅对 [0, ..., config.vocab_size - 1] 中的标签计算。

transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.CausalLMOutput 或一个 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（SEWConfig）和输入，包含各种元素。

loss (torch.FloatTensor 形状为 (1,)，可选，当提供 labels 时返回) — 语言建模损失（用于下一个 token 预测）。
logits (形状为 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 语言建模头部的预测分数（SoftMax 之前的每个词汇标记的分数）。
hidden_states (tuple(torch.FloatTensor)，可选，当传入 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，则一个是嵌入层的输出，另外每个层各有一个输出），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，当传入 output_attentions=True 或当 config.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)。

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。

SEWForCTC 的 forward 方法，覆盖了 __call__ 特殊方法。

示例

>>> from transformers import AutoProcessor, SEWForCTC
>>> 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("asapp/sew-tiny-100k")
>>> model = SEWForCTC.from_pretrained("asapp/sew-tiny-100k")

>>> # 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)
...

SEWForSequenceClassification

class transformers.SEWForSequenceClassification

< 来源 >

( config )

参数

config (SEWForSequenceClassification) — 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关联的权重，只会加载配置。请查看 from_pretrained() 方法来加载模型权重。

SEW 模型，其顶部带有一个序列分类头（在池化输出上加一个线性层），用于诸如 SUPERB 关键词识别等任务。

此模型继承自 PreTrainedModel。请查看超类文档，了解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、修剪头部等）。

该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规的 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

< 来源 >

参数

input_values (torch.FloatTensor，形状为 (batch_size, sequence_length)) — 输入原始语音波形的浮点数值。可以通过将 .flac 或 .wav 音频文件加载到 list[float] 类型或 numpy.ndarray 类型的数组中来获取这些值，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。详情请参阅 SEWProcessor.__call__。
attention_mask (torch.Tensor，形状为 (batch_size, sequence_length)，可选) — 用于避免在填充标记索引上执行注意力操作的掩码。掩码值在 [0, 1] 中选择：
- 对于未被掩码的标记，值为 1，
- 对于被掩码的标记，值为 0。
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。更多详情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。更多详情请参阅返回张量下的 hidden_states。
return_dict (bool，可选) — 是否返回一个 ModelOutput 而不是一个普通的元组。
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）。

transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 的元组（如果传入 return_dict=False 或当 config.return_dict=False 时），根据配置（SEWConfig）和输入，包含各种元素。

loss (形状为 (1,) 的 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) 的 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，当传入 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，则一个是嵌入层的输出，另外每个层各有一个输出），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，当传入 output_attentions=True 或当 config.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)。

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。

SEWForSequenceClassification 的 forward 方法，覆盖了 __call__ 特殊方法。

单标签分类示例

>>> import torch
>>> from transformers import AutoTokenizer, SEWForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("asapp/sew-tiny-100k")
>>> model = SEWForSequenceClassification.from_pretrained("asapp/sew-tiny-100k")

>>> 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 = SEWForSequenceClassification.from_pretrained("asapp/sew-tiny-100k", 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, SEWForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("asapp/sew-tiny-100k")
>>> model = SEWForSequenceClassification.from_pretrained("asapp/sew-tiny-100k", 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 = SEWForSequenceClassification.from_pretrained(
...     "asapp/sew-tiny-100k", 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

< > 在 GitHub 上更新

Transformers

SEW

概述

使用技巧

资源

SEWConfig

class transformers.SEWConfig

SEWModel

class transformers.SEWModel

forward

SEWForCTC

class transformers.SEWForCTC

forward

SEWForSequenceClassification

class transformers.SEWForSequenceClassification

forward