SEW-D
概述
SEW-D（带有解耦注意力的压缩高效 Wav2Vec）由 Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger 和 Yoav Artzi 在 自动语音识别无监督预训练中的性能-效率权衡 中提出。
论文中的摘要如下
本文研究了用于自动语音识别 (ASR) 的预训练模型的性能-效率权衡。我们重点关注 wav2vec 2.0，并正式化了几种影响模型性能及其效率的架构设计。将所有观察结果汇总在一起，我们推出了 SEW（压缩高效 Wav2vec），这是一种预训练模型架构，它在各种训练设置中都显着改善了性能和效率维度。例如，在 LibriSpeech 上的 100h-960h 半监督设置下，与 wav2vec 2.0 相比，SEW 的推理速度提高了 1.9 倍，单词错误率相对降低了 13.5%。在类似的推理时间下，SEW 在不同模型尺寸上的单词错误率降低了 25-50%。
该模型由 anton-l 贡献。
使用技巧
- SEW-D 是一种语音模型，它接受对应于语音信号原始波形的浮点数组。
- SEWDForCTC 使用连接时序分类 (CTC) 进行微调，因此模型输出必须使用 Wav2Vec2CTCTokenizer 解码。
资源
SEWDConfig
class transformers.SEWDConfig
< 来源 >( vocab_size = 32 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 squeeze_factor = 2 max_position_embeddings = 512 position_buckets = 256 share_att_key = True relative_attention = True pos_att_type = ('p2c', 'c2p') norm_rel_ebd = 'layer_norm' hidden_act = 'gelu_python' hidden_dropout = 0.1 activation_dropout = 0.1 attention_dropout = 0.1 feat_proj_dropout = 0.0 final_dropout = 0.1 initializer_range = 0.02 layer_norm_eps = 1e-07 feature_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, 默认值为 32) — SEW-D 模型的词汇量大小。定义了调用SEWD时传递的inputs_ids可以表示的不同 token 的数量。 - hidden_size (
int, 可选, 默认值为 768) — 编码器层和池化层的维度。 - num_hidden_layers (
int, 可选, 默认值为 12) — Transformer 编码器中的隐藏层数量。 - num_attention_heads (
int, 可选, 默认值为 12) — Transformer 编码器中每个注意力层的注意力头数量。 - intermediate_size (
int, 可选, 默认值为 3072) — Transformer 编码器中“中间”（即前馈）层的维度。 - squeeze_factor (
int, 可选, 默认值为 2) — 编码器后序列长度下采样因子，以及 Transformer 后上采样因子。 - max_position_embeddings (
int, 可选, 默认为 512) — 该模型可能使用的最大序列长度。 通常将此设置为一个较大的值以防万一（例如，512 或 1024 或 2048）。 - position_buckets (
int, 可选, 默认为 256) — 相对位置嵌入的最大尺寸。 - share_att_key (
bool, 可选, 默认为True) — 是否与 c2p 和 p2c 共享注意力键。 - relative_attention (
bool, 可选, 默认为True) — 是否使用相对位置编码。 - pos_att_type (
Tuple[str], 可选, 默认为("p2c", "c2p")) — 相对位置注意力的类型，可以是("p2c", "c2p")的组合，例如("p2c")，("p2c", "c2p")，("p2c", "c2p")。 - norm_rel_ebd (
str, 可选, 默认为"layer_norm") — 是否在相对嵌入中使用层归一化（如果为是则为"layer_norm"） - hidden_act (
str或function, 可选, 默认为"gelu_python") — 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"、"gelu_python"和"gelu_new"。 - hidden_dropout (
float, 可选, 默认为 0.1) — 已弃用。 模型未使用此参数，将在未来版本中移除。 - activation_dropout (
float, 可选, 默认为 0.1) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。 - attention_dropout (
float, 可选, 默认为 0.1) — 注意力概率的 dropout 比例。 - layer_norm_eps (
float, 可选, 默认值为 1e-7) — 变换器编码器中层规范化层使用的 epsilon。 - feature_layer_norm_eps (
float, 可选, 默认值为 1e-5) — 特征编码器之后的层规范化使用的 epsilon。 - feat_extract_norm (
str, 可选, 默认值为"group") — 应用于特征编码器中一维卷积层的规范化。"group"代表仅对第一个一维卷积层进行组规范化，"layer"代表对所有一维卷积层进行层规范化。 - feat_proj_dropout (
float, 可选, 默认值为 0.0) — 特征编码器输出的 dropout 概率。 - feat_extract_activation (
str,可选, 默认值为“gelu”) -- 特征提取器中一维卷积层的非线性激活函数（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]或List[int], 可选, 默认值为(64, 128, 128, 128, 128, 256, 256, 256, 256, 512, 512, 512, 512)) — 一个整数元组，定义特征编码器中每个一维卷积层的输入和输出通道数。conv_dim 的长度定义了一维卷积层的数量。 - conv_stride (
Tuple[int]或List[int], 可选, 默认值为(5, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1)) — 一个整数元组，定义特征编码器中每个一维卷积层的步长。conv_stride 的长度定义了卷积层的数量，必须与 conv_dim 的长度一致。 - conv_kernel (
Tuple[int]或List[int], 可选, 默认值为(10, 3, 1, 3, 1, 3, 1, 3, 1, 2, 1, 2, 1)) — 一个整数元组，定义特征编码器中每个一维卷积层的内核大小。conv_kernel 的长度定义了卷积层的数量，必须与 conv_dim 的长度一致。 - conv_bias (
bool, 可选, 默认值为False) — 一维卷积层是否具有偏差。 - 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) — 沿时间轴所有特征向量中将被掩蔽的百分比（介于 0 和 1 之间）。 掩蔽过程在轴上生成“mask_time_prob*len(time_axis)/mask_time_length”个独立掩蔽。 如果从被选为要掩蔽的向量跨度的起点的每个特征向量的概率进行推理，则 mask_time_prob 应为 `prob_vector_start*mask_time_length`。 请注意，重叠可能会降低实际被掩蔽的向量百分比。 这只有在 `apply_spec_augment 为 True` 时才相关。 - mask_time_length (
int, 可选, 默认为 10) — 沿时间轴的向量跨度长度。 - mask_time_min_masks (
int, 可选, 默认为 2) — 沿时间轴生成的长度为mask_feature_length的最小掩蔽数量，每次步骤，与mask_feature_prob无关。 只有在“mask_time_prob*len(time_axis)/mask_time_length < mask_time_min_masks” 时才相关 - mask_feature_prob (
float, 可选, 默认为 0.0) — 沿特征轴所有特征向量中将被掩蔽的百分比（介于 0 和 1 之间）。 掩蔽过程在轴上生成“mask_feature_prob*len(feature_axis)/mask_time_length”个独立掩蔽。 如果从被选为要掩蔽的向量跨度的起点的每个特征向量的概率进行推理，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蔽的向量百分比。 这只有在 `apply_spec_augment 为 True` 时才相关。 - mask_feature_length (
int, 可选, 默认为 10) — 沿特征轴的向量跨度长度。 - mask_feature_min_masks (
int, 可选, 默认为 0) — 沿特征轴生成的长度为mask_feature_length的最小掩蔽数量，每次步骤，与mask_feature_prob无关。 只有在“mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks” 时才相关 - diversity_loss_weight (
int, 可选, 默认为 0.1) — 代码本多样性损失组件的权重。 - ctc_loss_reduction (
str, 可选, 默认为"sum") — 指定要应用于torch.nn.CTCLoss输出的缩减。 只有在训练 SEWDForCTC 的实例时才相关。 - ctc_zero_infinity (
bool, 可选, 默认值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 SEWDForCTC 的实例时才相关。 - use_weighted_layer_sum (
bool, 可选, 默认值False) — 是否使用带有学习权重的层输出的加权平均值。仅在使用 Wav2Vec2ForSequenceClassification 的实例时才相关。 - classifier_proj_size (
int, 可选, 默认值 256) — 用于分类的令牌平均池化之前的投影维度。
这是用于存储 SEWDModel 配置的配置类。它用于根据指定的参数实例化 SEW-D 模型，定义模型架构。使用默认值实例化配置将产生与 SEW-D asapp/sew-d-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 SEWDConfig, SEWDModel
>>> # Initializing a SEW-D asapp/sew-d-tiny-100k style configuration
>>> configuration = SEWDConfig()
>>> # Initializing a model (with random weights) from the asapp/sew-d-tiny-100k style configuration
>>> model = SEWDModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config将此实例序列化为 Python 字典。
SEWDModel
class transformers.SEWDModel
< 来源 >( config: SEWDConfig )
参数
- config (SEWDConfig) — 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，仅加载配置。查看 from_pretrained() 方法以加载模型权重。
不带任何特定头的裸 SEW-D 模型变压器，输出原始隐藏状态。SEW-D 在 语音识别中无监督预训练的性能-效率权衡 中由 Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger、Yoav Artzi 提出。
此模型继承自 PreTrainedModel。查看超类文档以了解库为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 模块，并参考 PyTorch 文档以了解有关一般用法和行为的所有事项。
forward
< 来源 >( input_values: Optional attention_mask: Optional = None mask_time_indices: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = 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。值可以通过将.flac或.wav音频文件加载到类型为List[float]或numpy.ndarray的数组中获得，例如 通过 soundfile 库（pip install soundfile）。为了将数组准备成input_values，应使用 AutoProcessor 进行填充并转换为类型为torch.FloatTensor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)，可选) — 用于避免对填充标记索引执行卷积和注意力的掩码。在[0, 1]中选择掩码值：- 1 表示未屏蔽的标记，
- 0 表示屏蔽的标记。
- 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
transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)
一个 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），其中包含取决于配置 (SEWDConfig) 和输入的各种元素。
-
last_hidden_state (
torch.FloatTensor形状为(batch_size, sequence_length, hidden_size)) — 模型最后一层的输出处的隐藏状态序列。 -
hidden_states (
tuple(torch.FloatTensor)，可选，在传递output_hidden_states=True或当config.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，+ 一个用于每一层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)，可选，在传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每一层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
SEWDModel 正向方法，覆盖了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数内定义，但随后应该调用 Module 实例，而不是此函数，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。
示例
>>> from transformers import AutoProcessor, SEWDModel
>>> import torch
>>> from datasets import load_dataset
>>> 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("asapp/sew-d-tiny-100k-ft-ls100h")
>>> model = SEWDModel.from_pretrained("asapp/sew-d-tiny-100k-ft-ls100h")
>>> # audio file is decoded on the fly
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
>>> with torch.no_grad():
... outputs = model(**inputs)
>>> last_hidden_states = outputs.last_hidden_state
>>> list(last_hidden_states.shape)
[1, 292, 384]SEWDForCTC
class transformers.SEWDForCTC
< source >( config target_lang: Optional = None )
参数
- config (SEWDConfig) — 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。
SEW-D 模型，顶部有一个 语言建模 头，用于连接主义时序分类 (CTC)。SEW-D 在 Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger、Yoav Artzi 的 语音识别中无监督预训练的性能-效率权衡 中提出。
此模型继承自 PreTrainedModel。查看超类文档以了解库为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 模块，并参考 PyTorch 文档以了解有关一般用法和行为的所有事项。
forward
< 源代码 >( input_values: 可选 attention_mask: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None labels: Optional = 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List[float]或numpy.ndarray类型的数组中获取值，例如，通过 soundfile 库 (pip install soundfile)。要将数组准备成input_values，应使用 AutoProcessor 进行填充并将其转换为torch.FloatTensor类型的张量。有关详细信息，请参见 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor形状为(batch_size, sequence_length), 可选) — 用于避免对填充标记索引执行卷积和注意的掩码。在[0, 1]中选择掩码值：- 1 表示未被掩码的标记，
- 0 表示被掩码的标记。
- 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，请参见返回张量下的attentions。 - output_hidden_states (
bool, 可选) — 是否返回所有层的隐藏状态。有关详细信息，请参见返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。 - labels (
torch.LongTensor形状为(batch_size, target_length), 可选) — 连接主义时序分类的标签。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的标签都被忽略（掩码），损失仅针对[0, ..., config.vocab_size - 1]中的标签计算。
返回
transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.CausalLMOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或者当 config.return_dict=False 时），包含根据配置 (SEWDConfig) 和输入而异的各种元素。
-
loss (
torch.FloatTensor形状为(1,), 可选, 当提供labels时返回) — 语言建模损失（用于下一个标记预测）。 -
logits (
torch.FloatTensor形状为(batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测分数（SoftMax 之前的每个词汇标记的分数）。 -
hidden_states (
tuple(torch.FloatTensor)，可选，在传递output_hidden_states=True或当config.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，+ 一个用于每一层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)，可选，在传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每一层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
The SEWDForCTC forward 方法，覆盖了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数内定义，但随后应该调用 Module 实例，而不是此函数，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。
示例
>>> from transformers import AutoProcessor, SEWDForCTC
>>> 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("asapp/sew-d-tiny-100k-ft-ls100h")
>>> model = SEWDForCTC.from_pretrained("asapp/sew-d-tiny-100k-ft-ls100h")
>>> # 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 APOSTIL 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)
0.21SEWDForSequenceClassification
class transformers.SEWDForSequenceClassification
< ( config )参数
- config (SEWDConfig) — 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() 方法来加载模型权重。
SEWD 模型，顶部带有序列分类头（在池化输出上进行线性层运算），用于 SUPERB 关键词识别等任务。
SEW-D 在 Performance-Efficiency Trade-offs in Unsupervised Pre-training for Speech Recognition 中提出，由 Felix Wu、Kwangyoun Kim、Jing Pan、Kyu Han、Kilian Q. Weinberger 和 Yoav Artzi 共同撰写。
此模型继承自 PreTrainedModel。查看超类文档以了解库为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 模块，并参考 PyTorch 文档以了解有关一般用法和行为的所有事项。
forward
< source >( input_values: Optional attention_mask: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None labels: Optional = None ) → transformers.modeling_outputs.SequenceClassifierOutput 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。 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形状为(batch_size, sequence_length)，可选) — 掩码，用于避免对填充令牌索引执行卷积和注意力。 掩码值在[0, 1]中选择：- 1 表示 未掩码 的令牌，
- 0 表示 掩码 的令牌。
- 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,)，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]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
transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor 的元组（如果传递了 return_dict=False 或当 config.return_dict=False 时），包含根据配置 (SEWDConfig) 和输入的不同元素。
-
loss (形状为
(1,)的torch.FloatTensor，可选，在提供labels时返回) — 分类（或如果 config.num_labels==1 则为回归）损失。 -
logits (形状为
(batch_size, config.num_labels)的torch.FloatTensor) — 分类（或如果 config.num_labels==1 则为回归）分数（在 SoftMax 之前）。 -
hidden_states (
tuple(torch.FloatTensor)，可选，在传递output_hidden_states=True或当config.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，+ 一个用于每一层的输出），形状为(batch_size, sequence_length, hidden_size)。模型在每一层输出处的隐藏状态，以及可选的初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)，可选，在传递output_attentions=True或当config.output_attentions=True时返回) —torch.FloatTensor的元组（每一层一个），形状为(batch_size, num_heads, sequence_length, sequence_length)。注意力 softmax 后的注意力权重，用于计算自注意力头中的加权平均值。
SEWDForSequenceClassification 的前向方法重写了 __call__ 特殊方法。
虽然正向传递的配方需要在此函数内定义，但随后应该调用 Module 实例，而不是此函数，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。
示例
>>> from transformers import AutoFeatureExtractor, SEWDForSequenceClassification
>>> 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("anton-l/sew-d-mid-400k-ft-keyword-spotting")
>>> model = SEWDForSequenceClassification.from_pretrained("anton-l/sew-d-mid-400k-ft-keyword-spotting")
>>> # 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)
3.16