语音转文本
概述
Speech2Text 模型由 Changhan Wang、Yun Tang、Xutai Ma、Anne Wu、Dmytro Okhonko 和 Juan Pino 在 fairseq S2T:使用 fairseq 进行快速语音到文本建模 中提出。它是一个基于 Transformer 的 seq2seq(编码器-解码器)模型,专为端到端自动语音识别 (ASR) 和语音翻译 (ST) 而设计。它使用卷积下采样器将语音输入的长度减少 3/4,然后再将其馈送到编码器。该模型使用标准的自回归交叉熵损失进行训练,并自回归生成转录文本/翻译结果。Speech2Text 已在多个数据集上针对 ASR 和 ST 进行了微调:LibriSpeech、CoVoST 2、MuST-C。
此模型由 valhalla 提供。原始代码可以在这里找到 这里。
推理
Speech2Text 是一种语音模型,它接受从语音信号中提取的对数梅尔滤波器组特征的浮点张量。它是一个基于 Transformer 的 seq2seq 模型,因此转录文本/翻译结果是自回归生成的。generate()
方法可用于推理。
Speech2TextFeatureExtractor 类负责提取对数梅尔滤波器组特征。 Speech2TextProcessor 将 Speech2TextFeatureExtractor 和 Speech2TextTokenizer 包装到一个实例中,以同时提取输入特征并解码预测的标记 ID。
特征提取器依赖于 torchaudio
,分词器依赖于 sentencepiece
,因此请确保在运行示例之前安装这些软件包。您可以使用 pip install transformers"[speech, sentencepiece]"
作为额外的语音依赖项安装这些软件包,或者使用 pip install torchaudio sentencepiece
单独安装这些软件包。此外,torchaudio
需要 libsndfile 软件包的开发版本,可以通过系统包管理器安装。在 Ubuntu 上,可以按如下方式安装:apt install libsndfile1-dev
- ASR 和语音翻译
>>> import torch
>>> from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
>>> from datasets import load_dataset
>>> model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> ds = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> inputs = processor(ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], return_tensors="pt")
>>> generated_ids = model.generate(inputs["input_features"], attention_mask=inputs["attention_mask"])
>>> transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)
>>> transcription
['mister quilter is the apostle of the middle classes and we are glad to welcome his gospel']
多语言语音翻译
对于多语言语音翻译模型,
eos_token_id
用作decoder_start_token_id
,目标语言 ID 被强制为第一个生成的标记。要将目标语言 ID 强制为第一个生成的标记,请将forced_bos_token_id
参数传递给generate()
方法。以下示例演示了如何使用 facebook/s2t-medium-mustc-multilingual-st 检查点将英语语音翻译成法语文本。
>>> import torch
>>> from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
>>> from datasets import load_dataset
>>> model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-medium-mustc-multilingual-st")
>>> processor = Speech2TextProcessor.from_pretrained("facebook/s2t-medium-mustc-multilingual-st")
>>> ds = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation")
>>> inputs = processor(ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], return_tensors="pt")
>>> generated_ids = model.generate(
... inputs["input_features"],
... attention_mask=inputs["attention_mask"],
... forced_bos_token_id=processor.tokenizer.lang_code_to_id["fr"],
... )
>>> translation = processor.batch_decode(generated_ids, skip_special_tokens=True)
>>> translation
["(Vidéo) Si M. Kilder est l'apossible des classes moyennes, et nous sommes heureux d'être accueillis dans son évangile."]
请参阅 模型中心 以查找 Speech2Text 检查点。
Speech2TextConfig
类 transformers.Speech2TextConfig
< 源代码 >( vocab_size = 10000 encoder_layers = 12 encoder_ffn_dim = 2048 encoder_attention_heads = 4 decoder_layers = 6 decoder_ffn_dim = 2048 decoder_attention_heads = 4 encoder_layerdrop = 0.0 decoder_layerdrop = 0.0 use_cache = True is_encoder_decoder = True activation_function = 'relu' d_model = 256 dropout = 0.1 attention_dropout = 0.0 activation_dropout = 0.0 init_std = 0.02 decoder_start_token_id = 2 scale_embedding = True pad_token_id = 1 bos_token_id = 0 eos_token_id = 2 max_source_positions = 6000 max_target_positions = 1024 num_conv_layers = 2 conv_kernel_sizes = (5, 5) conv_channels = 1024 input_feat_per_channel = 80 input_channels = 1 **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 10000) — Speech2Text 模型的词汇量大小。定义了调用 Speech2TextModel 时传递的inputs_ids
可以表示的不同标记的数量。 - encoder_layers (
int
, 可选, 默认为 12) — 编码器层的数量。 - encoder_ffn_dim (
int
, 可选, 默认为 2048) — 编码器中“中间”(通常称为前馈)层的维度。 - encoder_attention_heads (
int
, 可选, 默认为 4) — Transformer 编码器中每个注意力层的注意力头的数量。 - decoder_layers (
int
, 可选, 默认为 6) — 解码器层的数量。 - decoder_ffn_dim (
int
, 可选, 默认为 2048) — 解码器中“中间”(通常称为前馈)层的维度。 - decoder_attention_heads (
int
,可选,默认为 4) — Transformer 解码器中每个注意力层的注意力头数量。 - encoder_layerdrop (
float
,可选,默认为 0.0) — 编码器的 LayerDrop 概率。有关更多详细信息,请参阅 LayerDrop 论文。 - decoder_layerdrop (
float
,可选,默认为 0.0) — 解码器的 LayerDrop 概率。有关更多详细信息,请参阅 LayerDrop 论文。 - use_cache (
bool
,可选,默认为True
) — 模型是否应该返回最后的键/值注意力(并非所有模型都使用)。 - is_encoder_decoder (
bool
,可选,默认为True
) — 模型是否设置为用于序列到序列任务的编码器-解码器架构。 - activation_function (
str
或function
,可选,默认为"relu"
) — 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"
、"silu"
和"gelu_new"
。 - d_model (
int
,可选,默认为 256) — 层和池化层的大小。 - 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 0.0) — 注意力概率的 dropout 比率。 - activation_dropout (
float
,可选,默认为 0.0) — 全连接层内部激活的 dropout 比率。 - scale_embedding (
bool
,可选,默认为True
) — 是否将嵌入按d_model
的平方根进行缩放。 - pad_token_id (
int
,可选,默认为 1) — 填充 token ID。 - bos_token_id (
int
,可选,默认为 0) — 序列开始标记的 ID。 - eos_token_id (
int
,可选,默认为 2) — 序列结束标记的 ID。 - max_source_positions (
int
,可选,默认为 6000) — 此模型可能使用的对数梅尔滤波器组特征的最大序列长度。 - max_target_positions (
int
,可选,默认为 1024) — 此模型可能使用的最大序列长度。通常,将其设置为一个较大的值以防万一(例如,512 或 1024 或 2048)。 - num_conv_layers (
int
,可选,默认为 2) — 卷积模块中一维卷积层的数量。 - conv_kernel_sizes (
Tuple[int]
,可选,默认为(5, 5)
) — 定义卷积模块中每个一维卷积层内核大小的整数元组。conv_kernel_sizes
的长度必须与num_conv_layers
相匹配。 - conv_channels (
int
,可选,默认为 1024) — 定义卷积模块中除最后一个之外每个卷积层的输出通道数的整数。
这是一个用于存储 Speech2TextModel 配置的配置类。它用于根据指定的参数实例化 Speech2Text 模型,定义模型架构。使用默认值实例化配置将产生与 Speech2Text facebook/s2t-small-librispeech-asr 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 中的文档以获取更多信息。
示例
>>> from transformers import Speech2TextConfig, Speech2TextModel
>>> # Initializing a Speech2Text s2t_transformer_s style configuration
>>> configuration = Speech2TextConfig()
>>> # Initializing a model (with random weights) from the s2t_transformer_s style configuration
>>> model = Speech2TextModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
Speech2TextTokenizer
类 transformers.Speech2TextTokenizer
< 源代码 >( vocab_file spm_file bos_token = '<s>' eos_token = '</s>' pad_token = '<pad>' unk_token = '<unk>' do_upper_case = False do_lower_case = False tgt_lang = None lang_codes = None additional_special_tokens = None sp_model_kwargs: Optional = None **kwargs )
参数
- vocab_file (
str
) — 包含词汇表的的文件。 - spm_file (
str
) — 指向 SentencePiece 模型文件的路径 - bos_token (
str
,可选,默认为"<s>"
) — 句子的开始标记。 - eos_token (
str
,可选,默认为"</s>"
) — 句子的结束标记。 - unk_token (
str
,可选,默认为"<unk>"
) — 未知标记。不在词汇表中的标记无法转换为 ID,而是设置为此标记。 - pad_token (
str
,可选,默认为"<pad>"
) — 用于填充的标记,例如在批处理不同长度的序列时。 - do_upper_case (
bool
,可选,默认为False
) — 解码时是否将输出转换为大写。 - do_lower_case (
bool
,可选,默认为False
) — 分词时是否将输入转换为小写。 - tgt_lang (
str
,可选) — 表示目标语言的字符串。 - sp_model_kwargs (
dict
,可选) — 将传递给SentencePieceProcessor.__init__()
方法。 SentencePiece 的 Python 包装器 可以用于设置:-
enable_sampling
:启用子词正则化。 -
nbest_size
:一元语法采样参数。对于 BPE-Dropout 无效。nbest_size = {0,1}
:不执行采样。nbest_size > 1
:从 nbest_size 个结果中进行采样。nbest_size < 0
:假设 nbest_size 为无限大,并使用前向过滤和后向采样算法从所有假设(格)中进行采样。
-
alpha
:一元语法采样的平滑参数,以及 BPE-dropout 的合并操作的 dropout 概率。
**kwargs — 传递给 PreTrainedTokenizer 的其他关键字参数
-
构建一个 Speech2Text 分词器。
此分词器继承自 PreTrainedTokenizer,其中包含一些主要方法。用户应参考超类以获取有关此类方法的更多信息。
通过附加 eos_token_id 从序列构建模型输入。
get_special_tokens_mask
< 源代码 > ( token_ids_0: List token_ids_1: Optional = None already_has_special_tokens: bool = False ) → List[int]
从没有添加特殊令牌的令牌列表中检索序列 ID。当使用分词器 prepare_for_model
方法添加特殊令牌时,会调用此方法。
Speech2TextFeatureExtractor
类 transformers.Speech2TextFeatureExtractor
< 源代码 >( feature_size = 80 sampling_rate = 16000 num_mel_bins = 80 padding_value = 0.0 do_ceptral_normalize = True normalize_means = True normalize_vars = True **kwargs )
参数
- feature_size (
int
, 可选, 默认为 80) — 提取特征的特征维度。 - sampling_rate (
int
, 可选, 默认为 16000) — 音频文件应以赫兹 (Hz) 表示的数字化采样率。 - num_mel_bins (
int
, 可选, 默认为 80) — 梅尔频率滤波器组的数量。 - padding_value (
float
, 可选, 默认为 0.0) — 用于填充填充向量的值。 - do_ceptral_normalize (
bool
, 可选, 默认为True
) — 是否对提取的特征应用语句级倒谱均值和方差归一化。 - normalize_means (
bool
, 可选, 默认为True
) — 是否对提取的特征进行零均值归一化。 - normalize_vars (
bool
, 可选, 默认为True
) — 是否对提取的特征进行单位方差归一化。
构建语音到文本特征提取器。
此特征提取器继承自 Speech2TextFeatureExtractor,其中包含大部分主要方法。用户应参考此超类以获取有关这些方法的更多信息。
此类使用 TorchAudio(如果已安装)或 numpy 提取原始语音的梅尔滤波器组特征,并对提取的特征应用语句级倒谱均值和方差归一化。
__call__
< source > ( raw_speech: Union padding: Union = False max_length: Optional = None truncation: bool = False pad_to_multiple_of: Optional = None return_tensors: Union = None sampling_rate: Optional = None return_attention_mask: Optional = None **kwargs )
参数
- raw_speech (
np.ndarray
,List[float]
,List[np.ndarray]
,List[List[float]]
) — 要填充的序列或序列批次。每个序列可以是 numpy 数组、浮点值列表、numpy 数组列表或浮点值列表列表。必须是单声道音频,而不是立体声,即每个时间步长一个浮点数。 - padding (
bool
,str
或 PaddingStrategy, 可选, 默认为True
) — 在以下选项中选择一种策略来填充返回的序列(根据模型的填充侧和填充索引):True
或'longest'
:填充到批次中最长的序列(如果只提供单个序列,则不填充)。'max_length'
:填充到使用参数max_length
指定的最大长度,或者如果未提供该参数,则填充到模型可接受的最大输入长度。False
或'do_not_pad'
(默认):不填充(即,可以输出具有不同长度序列的批次)。
- max_length (
int
, 可选) — 返回列表的最大长度,以及可选的填充长度(见上文)。 - truncation (
bool
) — 激活截断,将长度超过 max_length 的输入序列截断到 max_length。 - pad_to_multiple_of (
int
, 可选) — 如果设置,则将序列填充到提供的值的倍数。这对于在具有计算能力
>= 7.5
(Volta)的 NVIDIA 硬件上启用 Tensor Core 的使用,或者在受益于序列长度为 128 的倍数的 TPU 上特别有用。 - return_attention_mask (
bool
, 可选) — 是否返回注意力掩码。如果保留默认值,将根据特定特征提取器的默认值返回注意力掩码。对于 Speech2TextTransformer 模型,
attention_mask
应始终用于批量推理,以避免细微的错误。 - return_tensors (
str
或 TensorType, 可选) — 如果设置,将返回张量而不是 Python 整数列表。可接受的值为:'tf'
: 返回 TensorFlowtf.constant
对象。'pt'
: 返回 PyTorchtorch.Tensor
对象。'np'
: 返回 Numpynp.ndarray
对象。
- sampling_rate (
int
, 可选) —raw_speech
输入采样的采样率。强烈建议在正向调用时传递sampling_rate
以防止静默错误。 - padding_value (
float
, 可选, 默认为 0.0) — 用于填充填充值/向量的值。
将一个或多个序列特征化并为模型准备的主要方法。
Speech2TextProcessor
类 transformers.Speech2TextProcessor
< 源代码 >( feature_extractor tokenizer )
参数
- feature_extractor (
Speech2TextFeatureExtractor
) — Speech2TextFeatureExtractor 的实例。特征提取器是必需的输入。 - tokenizer (
Speech2TextTokenizer
) — Speech2TextTokenizer 的实例。分词器是必需的输入。
构建一个 Speech2Text 处理器,它将 Speech2Text 特征提取器和 Speech2Text 分词器封装到单个处理器中。
Speech2TextProcessor 提供了 Speech2TextFeatureExtractor 和 Speech2TextTokenizer 的所有功能。请参阅 call() 和 decode() 以获取更多信息。
在正常模式下使用时,此方法将其所有参数转发到 Speech2TextFeatureExtractor 的 call() 并返回其输出。如果在 as_target_processor()
上下文中使用,此方法会将其所有参数转发到 Speech2TextTokenizer 的 call()。请参阅上述两种方法的文档字符串以获取更多信息。
from_pretrained
< 源代码 > ( pretrained_model_name_or_path: Union cache_dir: Union = None force_download: bool = False local_files_only: bool = False token: Union = None revision: str = 'main' **kwargs )
参数
- pretrained_model_name_or_path (
str
或os.PathLike
) — 可以是以下之一:- 一个字符串,表示托管在 huggingface.co 上模型仓库中的预训练特征提取器的模型 ID。
- 保存使用 save_pretrained() 方法保存的特征提取器文件的目录的路径,例如
./my_model_directory/
。 - 保存的特征提取器 JSON 文件的路径或 URL,例如
./my_model_directory/preprocessor_config.json
。 **kwargs — 传递给 from_pretrained() 和~tokenization_utils_base.PreTrainedTokenizer.from_pretrained
的其他关键字参数。
实例化与预训练模型关联的处理器。
此类方法只是调用特征提取器 from_pretrained()、图像处理器 ImageProcessingMixin 和分词器 ~tokenization_utils_base.PreTrainedTokenizer.from_pretrained
方法。有关更多信息,请参阅上述方法的文档字符串。
save_pretrained
< 源代码 > ( save_directory push_to_hub: bool = False **kwargs )
参数
- save_directory (
str
或os.PathLike
) — 将保存特征提取器 JSON 文件和分词器文件的目录(如果目录不存在,则会创建)。 - push_to_hub (
bool
, 可选,默认为False
) — 保存模型后是否将其推送到 Hugging Face 模型中心。您可以使用repo_id
指定要推送到哪个存储库(默认为您命名空间中save_directory
的名称)。 - kwargs (
Dict[str, Any]
, 可选) — 传递给 push_to_hub() 方法的其他关键字参数。
将此处理器的属性(特征提取器、分词器等)保存到指定的目录中,以便可以使用 from_pretrained() 方法重新加载。
此类方法只是调用 save_pretrained() 和 save_pretrained()。有关更多信息,请参阅上述方法的文档字符串。
此方法将其所有参数转发给 Speech2TextTokenizer 的 batch_decode()。有关更多信息,请参阅此方法的文档字符串。
Speech2TextModel
类 transformers.Speech2TextModel
< 源代码 >( config: Speech2TextConfig )
参数
- config (Speech2TextConfig) — 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。
基本的 Speech2Text 模型,输出原始隐藏状态,没有任何特定的头部。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、调整输入嵌入的大小、修剪头部等)。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般用法和行为相关的所有事项。
forward
< 源代码 > ( input_features: 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 decoder_inputs_embeds: Optional = None use_cache: Optional = None output_attentions: Optional = None output_hidden_states: Optional = None return_dict: Optional = None ) → transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
参数
- input_features (
torch.FloatTensor
形状为(batch_size, sequence_length, feature_size)
) — 从原始语音波形提取的 fbank 特征的浮点值。可以通过将.flac
或.wav
音频文件加载到List[float]
或numpy.ndarray
类型的数组中获得原始语音波形,例如通过 soundfile 库(pip install soundfile
)。为了将数组准备成input_features
,应使用 AutoFeatureExtractor 来提取 fbank 特征、填充并转换为torch.FloatTensor
类型的张量。参见 call() - attention_mask (
torch.Tensor
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。掩码值选择在[0, 1]
中:- 1 表示未掩盖的标记,
- 0 表示掩盖的标记。
- 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
SpeechToTextTokenizer
获取索引。有关详细信息,请参见 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。SpeechToText 使用
eos_token_id
作为decoder_input_ids
生成开始标记。如果使用past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(参见past_key_values
)。 - 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。默认情况下还会使用因果掩码。如果要更改填充行为,应阅读
modeling_speech_to_text._prepare_decoder_attention_mask
并根据需要修改。有关默认策略的更多信息,请参阅 论文 中的图 1。 - head_mask (
torch.Tensor
形状为(encoder_layers, encoder_attention_heads)
,可选) — 用于使编码器中注意力模块的选定头部无效的掩码。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) — 用于使解码器中注意力模块的选定头部无效的掩码。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) — 用于使交叉注意力模块的选定头部无效的掩码。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一系列隐藏状态。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=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(tuple(torch.FloatTensor))
元组,每个元组具有 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(参见
past_key_values
输入)加快顺序解码速度。如果使用
past_key_values
,则用户可以选择仅输入形状为(batch_size, 1)
的最后一个decoder_input_ids
(那些没有将其过去的键值状态提供给此模型的),而不是形状为(batch_size, sequence_length)
的所有decoder_input_ids
。 - decoder_inputs_embeds (
torch.FloatTensor
形状为(batch_size, target_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decoder_input_ids
。如果使用past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(参见past_key_values
)。如果您希望对如何将decoder_input_ids
索引转换为关联向量进行更多控制,而不是模型的内部嵌入查找矩阵,这将很有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见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,请参阅返回张量下的attentions
。
返回值
transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqLMOutput 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 (Speech2TextConfig) 和输入而变化的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失。 -
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)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组具有 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(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递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,加上每个层的输出)形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出处的隐藏状态加上初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
, 可选, 当传递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)
。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)
。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输出处的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递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,加上每个层的输出)形状为(batch_size, sequence_length, hidden_size)
。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=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)
。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中的加权平均值。
Speech2TextModel 的前向方法,覆盖了 __call__
特殊方法。
虽然前向传递的配方需要在此函数中定义,但此后应该调用 Module
实例,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则会默默忽略它们。
示例
>>> import torch
>>> from transformers import Speech2TextModel, AutoFeatureExtractor
>>> from datasets import load_dataset
>>> model = Speech2TextModel.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> inputs = feature_extractor(
... ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], return_tensors="pt"
... )
>>> input_features = inputs.input_features
>>> decoder_input_ids = torch.tensor([[1, 1]]) * model.config.decoder_start_token_id
>>> last_hidden_state = model(input_features, decoder_input_ids=decoder_input_ids).last_hidden_state
>>> list(last_hidden_state.shape)
[1, 2, 256]
Speech2TextForConditionalGeneration
class transformers.Speech2TextForConditionalGeneration
< 源代码 >( config: Speech2TextConfig )
参数
- config (Speech2TextConfig) — 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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
带有语言建模头的 Speech2Text 模型。可用于摘要。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、调整输入嵌入的大小、剪枝头等)。
此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档以了解与一般用法和行为相关的所有事项。
forward
< 源代码 > ( input_features: 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 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.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
参数
- input_features (
torch.FloatTensor
形状为(batch_size, sequence_length, feature_size)
) — 从原始语音波形提取的 fbank 特征的浮点值。原始语音波形可以通过将.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
)。为了将数组准备成input_features
,应使用 AutoFeatureExtractor 来提取 fbank 特征,填充并转换为torch.FloatTensor
类型的张量。请参阅 call() - attention_mask (
torch.Tensor
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。掩码值选择在[0, 1]
中:- 1 表示未掩码的标记,
- 0 表示已掩码的标记。
- 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
SpeechToTextTokenizer
获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。SpeechToText 使用
eos_token_id
作为decoder_input_ids
生成起始标记。如果使用past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(请参阅past_key_values
)。 - decoder_attention_mask (
torch.LongTensor
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。如果要更改填充行为,则应阅读
modeling_speech_to_text._prepare_decoder_attention_mask
并根据您的需要进行修改。有关默认策略的更多信息,请参阅 论文 中的图 1。 - head_mask (
torch.Tensor
形状为(encoder_layers, encoder_attention_heads)
, 可选) — 用于使编码器中注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未掩码,
- 0 表示头部已掩码。
- decoder_head_mask (
torch.Tensor
形状为(decoder_layers, decoder_attention_heads)
, 可选) — 用于使解码器中注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未掩码,
- 0 表示头部已掩码。
- cross_attn_head_mask (
torch.Tensor
形状为(decoder_layers, decoder_attention_heads)
, 可选) — 用于使交叉注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未掩码,
- 0 表示头部已掩码。
- 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
的形状为(batch_size, sequence_length, hidden_size)
,可选) 是编码器最后一层输出的一系列隐藏状态。用于解码器的交叉注意力。 - past_key_values (
tuple(tuple(torch.FloatTensor))
,可选,当传递use_cache=True
或config.use_cache=True
时返回) — 长度为config.n_layers
的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) 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(参见
past_key_values
输入)加速顺序解码。如果使用
past_key_values
,则用户可以选择仅输入形状为(batch_size, 1)
的最后一个decoder_input_ids
(其过去键值状态未提供给此模型),而不是形状为(batch_size, sequence_length)
的所有decoder_input_ids
。 - decoder_inputs_embeds (
torch.FloatTensor
形状为(batch_size, target_sequence_length, hidden_size)
,可选) — 可选地,而不是传递decoder_input_ids
,您可以选择直接传递嵌入表示。如果使用past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(参见past_key_values
)。如果您希望对如何将decoder_input_ids
索引转换为关联向量进行比模型内部嵌入查找矩阵更多的控制,这将很有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见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。 - labels (
torch.LongTensor
形状为(batch_size, sequence_length)
,可选) — 用于计算语言建模损失的标签。索引应为[0, ..., config.vocab_size]
或 -100(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(屏蔽),仅针对[0, ..., config.vocab_size]
中的标签标记计算损失。
返回值
transformers.modeling_outputs.Seq2SeqLMOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Seq2SeqLMOutput 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 (Speech2TextConfig) 和输入而变化的各种元素。
-
loss (
torch.FloatTensor
形状为(1,)
,可选,当提供labels
时返回) — 语言建模损失。 -
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)。 -
past_key_values (
tuple(tuple(torch.FloatTensor))
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tuple(torch.FloatTensor)
元组,每个元组具有 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(参见
past_key_values
输入)加速顺序解码。 -
decoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递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,加上每个层的输出)形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出处的隐藏状态加上初始嵌入输出。
-
decoder_attentions (
tuple(torch.FloatTensor)
, 可选, 当传递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)
。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)
。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输出处的隐藏状态序列。 -
encoder_hidden_states (
tuple(torch.FloatTensor)
, 可选, 当传递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,加上每个层的输出)形状为(batch_size, sequence_length, hidden_size)
。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=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)
。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中的加权平均值。
Speech2TextForConditionalGeneration 的前向方法覆盖了 __call__
特殊方法。
虽然前向传递的配方需要在此函数中定义,但此后应该调用 Module
实例,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则会默默忽略它们。
示例
>>> import torch
>>> from transformers import Speech2TextProcessor, Speech2TextForConditionalGeneration
>>> from datasets import load_dataset
>>> model = Speech2TextForConditionalGeneration.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> inputs = processor(
... ds[0]["audio"]["array"], sampling_rate=ds[0]["audio"]["sampling_rate"], return_tensors="pt"
... )
>>> input_features = inputs.input_features
>>> generated_ids = model.generate(inputs=input_features)
>>> transcription = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]
>>> transcription
'mister quilter is the apostle of the middle classes and we are glad to welcome his gospel'
TFSpeech2TextModel
类 transformers.TFSpeech2TextModel
< 源代码 >( config: Speech2TextConfig *inputs **kwargs )
参数
- config (Speech2TextConfig) — 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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
基本的 Speech2Text 模型,输出原始隐藏状态,没有任何特定的头部。此模型继承自 TFPreTrainedModel。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、调整输入嵌入的大小、修剪头部等)。
此模型也是 keras.Model 的子类。将其用作常规的 TF 2.0 Keras 模型,并参考 TF 2.0 文档以了解与一般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 Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,在使用 model.fit()
等方法时,事情应该“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 创建您自己的层或模型时,您可以使用三种可能性将所有输入张量收集到第一个位置参数中
- 仅使用
input_ids
的单个张量,没有其他任何内容:model(input_ids)
- 具有一个或多个输入张量的可变长度列表,按照文档字符串中给出的顺序:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 具有一个或多个输入张量的字典,与文档字符串中给出的输入名称相关联:
model({"input_ids": input_ids, "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问题,因为您可以像对任何其他 Python 函数一样传递输入!
调用
< 源代码 > ( input_features: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None decoder_input_ids: np.ndarray | tf.Tensor | None = None decoder_attention_mask: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None decoder_head_mask: np.ndarray | tf.Tensor | None = None cross_attn_head_mask: np.ndarray | tf.Tensor | None = None encoder_outputs: np.ndarray | tf.Tensor | None = None past_key_values: Optional[Tuple[Tuple[Union[np.ndarray, tf.Tensor]]]] = None decoder_inputs_embeds: np.ndarray | tf.Tensor | None = None use_cache: Optional[bool] = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: bool = False **kwargs ) → transformers.modeling_tf_outputs.TFSeq2SeqModelOutput 或 tuple(tf.Tensor)
参数
- input_features (
tf.Tensor
形状为(batch_size, sequence_length, feature_size)
) — 从原始语音波形中提取的 fbank 特征的浮点值。可以通过将.flac
或.wav
音频文件加载到List[float]
或numpy.ndarray
类型的数组中来获取原始语音波形,例如通过 soundfile 库 (pip install soundfile
)。为了将数组准备成input_features
,应使用 AutoFeatureExtractor 来提取 fbank 特征、填充并转换为浮点数张量。参见 call() - attention_mask (
tf.Tensor
形状为({0})
,可选) — 用于避免对填充标记索引执行注意力操作的掩码。掩码值选择在[0, 1]
中:- 1 表示未掩码的标记,
- 0 表示已掩码的标记。
- decoder_input_ids (
tf.Tensor
形状为(batch_size, target_sequence_length)
,可选) — 词表中解码器输入序列标记的索引。可以使用 Speech2TextTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call()。
SpeechToText 使用
eos_token_id
作为decoder_input_ids
生成起始标记。如果使用past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(参见past_key_values
)。对于翻译和摘要训练,应提供
decoder_input_ids
。如果未提供decoder_input_ids
,则模型将通过将input_ids
向右移动来创建此张量,以便根据论文进行去噪预训练。 - decoder_attention_mask (
tf.Tensor
形状为(batch_size, target_sequence_length)
,可选) — 将默认生成并忽略填充标记。对于大多数用例,不建议设置此值。 - head_mask (
tf.Tensor
形状为(encoder_layers, encoder_attention_heads)
,可选) — 用于使编码器中注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未被掩码,
- 0 表示头部被掩码。
- decoder_head_mask (
tf.Tensor
形状为(decoder_layers, decoder_attention_heads)
,可选) — 用于使解码器中注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未被掩码,
- 0 表示头部被掩码。
- cross_attn_head_mask (
tf.Tensor
形状为(decoder_layers, decoder_attention_heads)
,可选) — 用于使交叉注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未被掩码,
- 0 表示头部被掩码。
- encoder_outputs (
tf.FloatTensor
,可选) — 编码器最后一层的输出处的隐藏状态。用于解码器的交叉注意力。形状为(batch_size, sequence_length, hidden_size)
的序列 - past_key_values (长度为
config.n_layers
的Tuple[Tuple[tf.Tensor]]
) — 包含注意力块的预计算键和值隐藏状态。可用于加速解码。如果使用past_key_values
,则用户可以选择仅输入最后一个decoder_input_ids
(那些没有提供给此模型的过去键值状态的)形状为(batch_size, 1)
,而不是所有decoder_input_ids
形状为(batch_size, sequence_length)
。 - decoder_inputs_embeds (
tf.FloatTensor
形状为(batch_size, target_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decoder_input_ids
。如果使用past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(参见past_key_values
)。如果您希望对如何将decoder_input_ids
索引转换为关联向量比模型的内部嵌入查找矩阵有更多控制权,这将非常有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见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
。此参数仅可在急切模式下使用,在图模式下,将使用配置中的值。 - 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
。此参数仅可在急切模式下使用,在图模式下,将使用配置中的值。 - return_dict (
bool
, 可选) — 是否返回ModelOutput而不是普通元组。此参数可在急切模式下使用,在图模式下,该值将始终设置为True。 - training (
bool
, 可选, 默认为False
) — 是否以训练模式使用模型(某些模块,如 dropout 模块,在训练和评估之间具有不同的行为)。
返回值
transformers.modeling_tf_outputs.TFSeq2SeqModelOutput 或 tuple(tf.Tensor)
一个transformers.modeling_tf_outputs.TFSeq2SeqModelOutput或tf.Tensor
的元组(如果传递了return_dict=False
或当config.return_dict=False
时),包含根据配置(Speech2TextConfig)和输入的不同元素。
-
last_hidden_state (
tf.Tensor
形状为(batch_size, sequence_length, hidden_size)
) — 模型解码器最后一层输出的隐藏状态序列。如果使用了
past_key_values
,则仅输出形状为(batch_size, 1, hidden_size)
的序列的最后一个隐藏状态。 -
past_key_values (
List[tf.Tensor]
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tf.Tensor
列表,每个张量的形状为(2, batch_size, num_heads, sequence_length, embed_size_per_head)
)。包含解码器中预先计算的隐藏状态(注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_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
的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出处的隐藏状态加上初始嵌入输出。
-
decoder_attentions (
tuple(tf.Tensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的元组(每一层一个),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(tf.Tensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的元组(每一层一个),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 (
tf.Tensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_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
的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为(batch_size, sequence_length, hidden_size)
。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(tf.Tensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。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中的加权平均值。
TFSpeech2TextModel 的前向方法,覆盖了__call__
特殊方法。
虽然前向传递的配方需要在此函数中定义,但此后应该调用 Module
实例,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则会默默忽略它们。
示例
>>> from transformers import AutoTokenizer, TFSpeech2TextModel
>>> import tensorflow as tf
>>> tokenizer = AutoTokenizer.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> model = TFSpeech2TextModel.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="tf")
>>> outputs = model(inputs)
>>> last_hidden_states = outputs.last_hidden_state
TFSpeech2TextForConditionalGeneration
类 transformers.TFSpeech2TextForConditionalGeneration
< 源代码 >( config: Speech2TextConfig )
参数
- config (Speech2TextConfig) — 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,仅加载配置。查看from_pretrained()方法以加载模型权重。
带有语言建模头的 Speech2Text 模型。可用于摘要。此模型继承自TFPreTrainedModel。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、调整输入嵌入的大小、修剪 head 等)。
此模型也是 keras.Model 的子类。将其用作常规的 TF 2.0 Keras 模型,并参考 TF 2.0 文档以了解与一般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 Keras 方法在将输入传递给模型和层时更喜欢这种格式。由于这种支持,在使用 model.fit()
等方法时,事情应该“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 创建您自己的层或模型时,您可以使用三种可能性将所有输入张量收集到第一个位置参数中
- 仅使用
input_ids
的单个张量,没有其他任何内容:model(input_ids)
- 具有一个或多个输入张量的可变长度列表,按照文档字符串中给出的顺序:
model([input_ids, attention_mask])
或model([input_ids, attention_mask, token_type_ids])
- 具有一个或多个输入张量的字典,与文档字符串中给出的输入名称相关联:
model({"input_ids": input_ids, "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问题,因为您可以像对任何其他 Python 函数一样传递输入!
调用
< 源代码 > ( input_features: TFModelInputType | None = None attention_mask: np.ndarray | tf.Tensor | None = None decoder_input_ids: np.ndarray | tf.Tensor | None = None decoder_attention_mask: np.ndarray | tf.Tensor | None = None head_mask: np.ndarray | tf.Tensor | None = None decoder_head_mask: np.ndarray | tf.Tensor | None = None cross_attn_head_mask: np.ndarray | tf.Tensor | None = None encoder_outputs: np.ndarray | tf.Tensor | None = None past_key_values: Optional[Tuple[Tuple[Union[np.ndarray, tf.Tensor]]]] = None decoder_inputs_embeds: np.ndarray | tf.Tensor | None = None labels: np.ndarray | tf.Tensor | None = None use_cache: Optional[bool] = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False **kwargs ) → transformers.modeling_tf_outputs.TFSeq2SeqLMOutput 或 tuple(tf.Tensor)
参数
- input_features (
tf.Tensor
形状为(batch_size, sequence_length, feature_size)
) — 从原始语音波形提取的 fbank 特征的浮点值。可以通过将.flac
或.wav
音频文件加载到List[float]
或numpy.ndarray
类型的数组中来获取原始语音波形,例如通过 soundfile 库 (pip install soundfile
)。要将数组准备成input_features
,应使用 AutoFeatureExtractor 来提取 fbank 特征,进行填充并转换为浮点数张量。请参阅 call() - attention_mask (
tf.Tensor
形状为({0})
,可选) — 用于避免对填充标记索引执行注意力的掩码。掩码值选择在[0, 1]
中:- 1 表示未掩码的标记,
- 0 表示已掩码的标记。
- decoder_input_ids (
tf.Tensor
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 Speech2TextTokenizer 获取索引。请参阅 PreTrainedTokenizer.encode() 和 PreTrainedTokenizer.call() 以了解详细信息。
SpeechToText 使用
eos_token_id
作为decoder_input_ids
生成开始标记。如果使用past_key_values
,则可以选择仅输入最后一个decoder_input_ids
(请参阅past_key_values
)。对于翻译和摘要训练,应提供
decoder_input_ids
。如果未提供decoder_input_ids
,则模型将通过将input_ids
向右移动来创建此张量,以根据论文进行去噪预训练。 - decoder_attention_mask (
tf.Tensor
形状为(batch_size, target_sequence_length)
,可选) — 将默认创建并忽略填充标记。对于大多数用例,不建议设置此值。 - head_mask (
tf.Tensor
形状为(encoder_layers, encoder_attention_heads)
,可选) — 用于使编码器中注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未掩码,
- 0 表示头部已掩码。
- decoder_head_mask (
tf.Tensor
形状为(decoder_layers, decoder_attention_heads)
,可选) — 用于使解码器中注意力模块的选定头部无效的掩码。掩码值选择在[0, 1]
中:- 1 表示头部未掩码,
- 0 表示头部已掩码。
- cross_attn_head_mask (
tf.Tensor
形状为(decoder_layers, decoder_attention_heads)
,可选) — 用于使交叉注意力模块中选定的注意力头无效的掩码。掩码值选择在[0, 1]
中:- 1 表示注意力头 **未被掩码**,
- 0 表示注意力头 **被掩码**。
- encoder_outputs (
tf.FloatTensor
,可选) — 编码器最后一层的输出处的隐藏状态。用于解码器的交叉注意力。形状为(batch_size, sequence_length, hidden_size)
是一个序列 - past_key_values (
Tuple[Tuple[tf.Tensor]]
长度为config.n_layers
) — 包含注意力块的预计算键和值隐藏状态。可用于加速解码。如果使用past_key_values
,用户可以选择仅输入最后一个decoder_input_ids
(那些没有提供给此模型的过去键值状态的)形状为(batch_size, 1)
,而不是所有decoder_input_ids
形状为(batch_size, sequence_length)
。 - decoder_inputs_embeds (
tf.FloatTensor
形状为(batch_size, target_sequence_length, hidden_size)
,可选) — 可选地,而不是传递decoder_input_ids
,您可以选择直接传递嵌入表示。如果使用past_key_values
,则可以选择仅输入最后一个decoder_inputs_embeds
(参见past_key_values
)。如果您希望对如何将decoder_input_ids
索引转换为关联向量进行比模型内部嵌入查找矩阵更多的控制,这将很有用。 - use_cache (
bool
,可选) — 如果设置为True
,则返回past_key_values
键值状态,可用于加速解码(参见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,请参见返回张量下的attentions
。此参数只能在急切模式下使用,在图形模式下,将使用配置中的值。 - 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,请参见返回张量下的hidden_states
。此参数只能在急切模式下使用,在图形模式下,将使用配置中的值。 - return_dict (
bool
,可选) — 是否返回 ModelOutput 而不是普通元组。此参数可在急切模式下使用,在图形模式下,该值将始终设置为 True。 - training (
bool
,可选,默认为False
) — 是否以训练模式使用模型(某些模块,如 dropout 模块,在训练和评估之间具有不同的行为)。 - labels (
tf.Tensor
形状为(batch_size, sequence_length)
,可选) — 用于计算掩码语言建模损失的标签。索引应在[0, ..., config.vocab_size]
或 -100 之间(参见input_ids
文档字符串)。索引设置为-100
的标记将被忽略(掩码),损失仅针对标签在[0, ..., config.vocab_size]
之间的标记计算。
返回值
transformers.modeling_tf_outputs.TFSeq2SeqLMOutput 或 tuple(tf.Tensor)
一个 transformers.modeling_tf_outputs.TFSeq2SeqLMOutput 或一个 tf.Tensor
元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),包含取决于配置 (Speech2TextConfig) 和输入的各种元素。
-
loss (
tf.Tensor
形状为(n,)
,可选,其中 n 是非掩码标签的数量,在提供labels
时返回) — 语言建模损失。 -
logits (
tf.Tensor
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)。 -
past_key_values (
List[tf.Tensor]
, 可选, 当传递use_cache=True
或当config.use_cache=True
时返回) — 长度为config.n_layers
的tf.Tensor
列表,每个张量的形状为(2, batch_size, num_heads, sequence_length, embed_size_per_head)
)。包含解码器中预先计算的隐藏状态(注意力块中的键和值),可用于(参见
past_key_values
输入)加速顺序解码。 -
decoder_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
的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为(batch_size, sequence_length, hidden_size)
。解码器在每一层输出处的隐藏状态加上初始嵌入输出。
-
decoder_attentions (
tuple(tf.Tensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的元组(每一层一个),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(tf.Tensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的元组(每一层一个),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 (
tf.Tensor
形状为(batch_size, sequence_length, hidden_size)
, 可选) — 模型编码器最后一层输出的隐藏状态序列。 -
encoder_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
的元组(一个用于嵌入的输出 + 一个用于每一层的输出),形状为(batch_size, sequence_length, hidden_size)
。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(tf.Tensor)
, 可选, 当传递output_attentions=True
或当config.output_attentions=True
时返回) —tf.Tensor
的元组(每一层一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。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中的加权平均值。
The TFSpeech2TextForConditionalGeneration 前向方法,覆盖了 __call__
特殊方法。
虽然前向传递的配方需要在此函数中定义,但此后应该调用 Module
实例,而不是这个,因为前者负责运行预处理和后处理步骤,而后者则会默默忽略它们。
示例
>>> import tensorflow as tf
>>> from transformers import Speech2TextProcessor, TFSpeech2TextForConditionalGeneration
>>> from datasets import load_dataset
>>> import soundfile as sf
>>> model = TFSpeech2TextForConditionalGeneration.from_pretrained(
... "facebook/s2t-small-librispeech-asr", from_pt=True
... )
>>> processor = Speech2TextProcessor.from_pretrained("facebook/s2t-small-librispeech-asr")
>>> 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)
>>> ds.set_format(type="tf")
>>> input_features = processor(
... ds["speech"][0], sampling_rate=16000, return_tensors="tf"
... ).input_features # Batch size 1
>>> generated_ids = model.generate(input_features)
>>> transcription = processor.batch_decode(generated_ids)