Transformers 文档
UniSpeech
并获得增强的文档体验
开始使用
UniSpeech
概述
UniSpeech 模型由 Chengyi Wang、Yu Wu、Yao Qian、Kenichi Kumatani、Shujie Liu、Furu Wei、Michael Zeng、Xuedong Huang 在论文 UniSpeech: Unified Speech Representation Learning with Labeled and Unlabeled Data 中提出。
论文摘要如下:
在本文中,我们提出了一种名为 UniSpeech 的统一预训练方法,用于同时利用有标签和无标签数据学习语音表征。该方法以多任务学习的方式,同时进行监督式音素 CTC 学习和音素感知的对比自监督学习。由此产生的表征能够捕获与音素结构更相关的信息,并提高跨语言和跨领域的泛化能力。我们在公开的 CommonVoice 语料库上评估了 UniSpeech 在跨语言表征学习方面的有效性。结果表明,UniSpeech 在语音识别任务中,相较于自监督预训练和监督迁移学习,其相对音素错误率分别最高降低了 13.4% 和 17.8%(在所有测试语言上取平均值)。UniSpeech 的可迁移性也在一个领域迁移的语音识别任务中得到验证,与之前的方法相比,其相对词错误率降低了 6%。
此模型由 patrickvonplaten 贡献。作者的代码可以在这里找到。
使用技巧
- UniSpeech 是一个语音模型,它接受一个与语音信号原始波形相对应的浮点数组。请使用 Wav2Vec2Processor 进行特征提取。
- UniSpeech 模型可以使用联结主义时间分类(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` 参数会被忽略。如果你有一个 `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
UniSpeechConfig
class transformers.UniSpeechConfig
< 来源 >( vocab_size = 32 hidden_size = 768 num_hidden_layers = 12 num_attention_heads = 12 intermediate_size = 3072 hidden_act = 'gelu' hidden_dropout = 0.1 activation_dropout = 0.1 attention_dropout = 0.1 feat_proj_dropout = 0.0 feat_quantizer_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 = (512, 512, 512, 512, 512, 512, 512) conv_stride = (5, 2, 2, 2, 2, 2, 2) conv_kernel = (10, 3, 3, 3, 3, 2, 2) conv_bias = False num_conv_pos_embeddings = 128 num_conv_pos_embedding_groups = 16 do_stable_layer_norm = False 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 num_codevectors_per_group = 320 num_codevector_groups = 2 contrastive_logits_temperature = 0.1 num_negatives = 100 codevector_dim = 256 proj_codevector_dim = 256 diversity_loss_weight = 0.1 ctc_loss_reduction = 'mean' ctc_zero_infinity = False use_weighted_layer_sum = False classifier_proj_size = 256 num_ctc_classes = 80 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 replace_prob = 0.5 **kwargs )
参数
- vocab_size (
int
, 可选, 默认为 32) — UniSpeech 模型的词汇表大小。定义了在调用 UniSpeechModel 时传递的 `inputs_ids` 可以表示的不同 token 的数量。模型的词汇表大小。定义了传递给 UniSpeechModel 的前向方法的 *inputs_ids* 可以表示的不同 token。 - 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。 - hidden_act (
str
或function
, 可选, 默认为"gelu"
) — 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,支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。 - hidden_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。 - feat_proj_dropout (
float
, 可选, 默认为 0.0) — 特征编码器输出的丢弃概率。 - feat_quantizer_dropout (
float
, 可选, 默认为 0.0) — 用于量化器的特征编码器输出的丢弃概率。 - final_dropout (
float
, 可选, 默认为 0.1) — UniSpeechForCTC 最终投影层的丢弃概率。 - layerdrop (
float
, 可选, 默认为 0.1) — LayerDrop 概率。更多详情请参阅 [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-05) — 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 卷积层的归一化类型。可选项为:`"group"` 表示仅对第一个 1D 卷积层进行组归一化;`"layer"` 表示对所有 1D 卷积层进行层归一化。 - 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(512, 512, 512, 512, 512, 512, 512)
) — 定义特征编码器中每个 1D 卷积层的输入和输出通道数的整数元组。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, 2, 2, 2, 2, 2)
) — 定义特征编码器中每个 1D 卷积层步幅的整数元组。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, 3, 3, 3, 2, 2)
) — 定义特征编码器中每个 1D 卷积层内核大小的整数元组。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 卷积位置嵌入层的内核大小。 - num_conv_pos_embedding_groups (
int
, 可选, 默认为 16) — 1D 卷积位置嵌入层的组数。 - do_stable_layer_norm (
bool
, 可选, 默认为False
) — 是否应用 Transformer 编码器的*稳定*层归一化架构。`do_stable_layer_norm 为 True` 对应于在注意力层之前应用层归一化,而 `do_stable_layer_norm 为 False` 对应于在注意力层之后应用层归一化。 - 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。参考论文 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition。 - mask_time_prob (
float
, 可选, 默认为 0.05) — 时间轴上所有特征向量将被掩码的百分比(0 到 1 之间)。掩码过程在时间轴上生成 “mask_time_prob*len(time_axis)/mask_time_length” 个独立的掩码。如果从每个特征向量被选为要掩码的向量跨度起点的概率来推断,*mask_time_prob* 应该等于 `prob_vector_start*mask_time_length`。注意,重叠可能会减少实际被掩码向量的百分比。此参数仅在 `apply_spec_augment 为 True` 时有效。 - 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) — 无论 `mask_feature_prob` 如何,在每个时间步沿时间轴生成长度为 `mask_feature_length` 的最小掩码数量。仅当 “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) — 特征轴上所有特征向量将被掩码的百分比(0 到 1 之间)。掩码过程在特征轴上生成 “mask_feature_prob*len(feature_axis)/mask_time_length” 个独立的掩码。如果从每个特征向量被选为要掩码的向量跨度起点的概率来推断,*mask_feature_prob* 应该等于 `prob_vector_start*mask_feature_length`。注意,重叠可能会减少实际被掩码向量的百分比。此参数仅在 `apply_spec_augment 为 True` 时有效。 - 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) — 无论 `mask_feature_prob` 如何,在每个时间步沿特征轴生成长度为 `mask_feature_length` 的最小掩码数量。仅当 “mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks” 时相关。 - num_codevectors_per_group (
int
, optional, defaults to 320) — 每个量化码本(组)中的条目数。 - num_codevector_groups (
int
, optional, defaults to 2) — 用于乘积码向量量化的码向量组数。 - contrastive_logits_temperature (
float
, optional, defaults to 0.1) — 对比损失中的温度参数 kappa。 - num_negatives (
int
, optional, defaults to 100) — 对比损失的负样本数量。 - codevector_dim (
int
, optional, defaults to 256) — 量化特征向量的维度。 - proj_codevector_dim (
int
, optional, defaults to 256) — 量化特征和 Transformer 特征的最终投影维度。 - diversity_loss_weight (
int
, optional, defaults to 0.1) — 码本多样性损失分量的权重。 - ctc_loss_reduction (
str
, optional, defaults to"mean"
) — 指定应用于torch.nn.CTCLoss
输出的规约方式。仅在训练 UniSpeechForCTC 实例时相关。 - ctc_zero_infinity (
bool
, optional, defaults toFalse
) — 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过短而无法与目标对齐时。仅在训练 UniSpeechForCTC 实例时相关。 - use_weighted_layer_sum (
bool
, optional, defaults toFalse
) — 是否使用带有学习权重的层输出的加权平均。仅在使用 UniSpeechForSequenceClassification 实例时相关。 - classifier_proj_size (
int
, optional, defaults to 256) — 在进行词元均值池化以进行分类之前的投影维度。 - num_ctc_classes (
int
, optional, defaults to 80) — 指定音素级 CTC 损失的类别数(音素词元和空白词元)。仅在使用 UniSpeechForPreTraining 实例时相关。 - pad_token_id (
int
, optional, defaults to 0) — 填充词元的 ID。 - bos_token_id (
int
, optional, defaults to 1) — “序列开始”词元的 ID。 - eos_token_id (
int
, optional, defaults to 2) — “序列结束”词元的 ID。 - replace_prob (
float
, optional, defaults to 0.5) — 在预训练中,Transformer 特征被量化特征替换的概率。
这是用于存储 UniSpeechModel 配置的配置类。它用于根据指定的参数实例化一个 UniSpeech 模型,定义模型架构。使用默认值实例化配置将产生与 UniSpeech microsoft/unispeech-large-1500h-cv 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 UniSpeechConfig, UniSpeechModel
>>> # Initializing a UniSpeech facebook/unispeech-base-960h style configuration
>>> configuration = UniSpeechConfig()
>>> # Initializing a model (with random weights) from the facebook/unispeech-base-960h style configuration
>>> model = UniSpeechModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
UniSpeech 特定输出
class transformers.models.unispeech.modeling_unispeech.UniSpeechForPreTrainingOutput
< source >( loss: typing.Optional[torch.FloatTensor] = None projected_states: typing.Optional[torch.FloatTensor] = None projected_quantized_states: typing.Optional[torch.FloatTensor] = None codevector_perplexity: typing.Optional[torch.FloatTensor] = None hidden_states: typing.Optional[tuple[torch.FloatTensor]] = None attentions: typing.Optional[tuple[torch.FloatTensor]] = None )
参数
- loss (
*optional*
, 在模型处于训练模式时返回,torch.FloatTensor
of shape(1,)
) — 总损失,是对照损失 (L_m) 和多样性损失 (L_d) 的总和,如官方论文所述。(分类)损失。 - projected_states (
torch.FloatTensor
of shape(batch_size, sequence_length, config.proj_codevector_dim)
) — 模型的隐藏状态,投影到 config.proj_codevector_dim,可用于预测被掩码的投影量化状态。 - projected_quantized_states (
torch.FloatTensor
of shape(batch_size, sequence_length, config.proj_codevector_dim)
) — 量化的提取特征向量,投影到 config.proj_codevector_dim,代表对比损失的正目标向量。 - codevector_perplexity (
torch.FloatTensor
of shape(1,)
) — 码向量分布的困惑度,用于衡量码本的多样性。 - hidden_states (
tuple[torch.FloatTensor]
, optional, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个用于嵌入层的输出,+ 每个层的输出一个)形状为(batch_size, sequence_length, hidden_size)
。模型在每层输出处的隐藏状态,以及可选的初始嵌入输出。
- attentions (
tuple[torch.FloatTensor]
, optional, 当传递output_attentions=True
或config.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)
。注意力 softmax 之后的注意力权重,用于在自注意力头中计算加权平均值。
UniSpeechForPreTrainingOutput
的输出类型,可能包含隐藏状态和注意力。
UniSpeechModel
class transformers.UniSpeechModel
< source >( config: UniSpeechConfig )
参数
- config (UniSpeechConfig) — 包含模型所有参数的模型配置类。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() 方法来加载模型权重。
基础的 Unispeech 模型,输出原始的隐藏状态,顶部没有任何特定的头部。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规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.Wav2Vec2BaseModelOutput or tuple(torch.FloatTensor)
参数
- input_values (
torch.Tensor
of shape(batch_size, sequence_length)
, optional) — 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]
或numpy.ndarray
类型的数组中来获取这些值,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torch.FloatTensor
类型的张量。有关详细信息,请参阅{processor_class}.__call__
。 - attention_mask (
torch.Tensor
of shape(batch_size, sequence_length)
, optional) — 用于避免在填充词元索引上执行注意力的掩码。掩码值在[0, 1]
中选择:- 1 表示**未被掩码**的词元,
- 0 表示**被掩码**的词元。
- mask_time_indices (
torch.BoolTensor
of shape(batch_size, sequence_length)
, optional) — 用于掩码提取特征以进行对比损失的索引。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
, optional) — 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
, optional) — 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
, optional) — 是否返回 ModelOutput 而不是普通的元组。
返回
transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.Wav2Vec2BaseModelOutput 或一个 torch.FloatTensor
元组(如果传递了 return_dict=False
或 config.return_dict=False
),包含各种元素,具体取决于配置(UniSpeechConfig)和输入。
-
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。 -
extract_features (
torch.FloatTensor
形状为(batch_size, sequence_length, conv_dim[-1])
) — 模型最后一个卷积层的提取特征向量序列。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(一个用于嵌入层的输出 + 每层的输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每个层输出的隐藏状态加上初始嵌入输出。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或config.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)
。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。
UniSpeechModel 的前向方法,重写了 __call__
特殊方法。
虽然前向传递的配方需要在此函数内定义,但之后应该调用 `Module` 实例而不是这个函数,因为前者会处理运行前后处理步骤,而后者会静默地忽略它们。
UniSpeechForCTC
class transformers.UniSpeechForCTC
< source >( config target_lang: typing.Optional[str] = None )
参数
- config (UniSpeechForCTC) — 包含模型所有参数的模型配置类。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() 方法来加载模型权重。
- target_lang (
str
, optional) — 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 UniSpeechForCTC 实例时相关。默认使用‘eng’。
带有用于连接主义时间分类 (CTC) 的 `语言建模` 头的 UniSpeech 模型。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规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 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 or tuple(torch.FloatTensor)
参数
- input_values (
torch.Tensor
of shape(batch_size, sequence_length)
, optional) — 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]
或numpy.ndarray
类型的数组中来获取这些值,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torch.FloatTensor
类型的张量。有关详细信息,请参阅{processor_class}.__call__
。 - attention_mask (
torch.Tensor
of shape(batch_size, sequence_length)
, optional) — 用于避免在填充词元索引上执行注意力的掩码。掩码值在[0, 1]
中选择:- 1 表示**未被掩码**的词元,
- 0 表示**被掩码**的词元。
- output_attentions (
bool
, optional) — 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
, optional) — 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
, optional) — 是否返回 ModelOutput 而不是普通的元组。 - labels (
torch.LongTensor
of shape(batch_size, target_length)
, optional) — 用于连接主义时间分类的标签。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
的标签都将被忽略(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 config.return_dict=False
),包含各种元素,具体取决于配置(UniSpeechConfig)和输入。
-
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, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个为嵌入层的输出,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)
, optional, 当传递output_attentions=True
或config.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)
。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。
UniSpeechForCTC 的 forward 方法重写了 __call__
特殊方法。
虽然前向传递的配方需要在此函数内定义,但之后应该调用 `Module` 实例而不是这个函数,因为前者会处理运行前后处理步骤,而后者会静默地忽略它们。
示例
>>> from transformers import AutoProcessor, UniSpeechForCTC
>>> 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("microsoft/unispeech-large-1500h-cv")
>>> model = UniSpeechForCTC.from_pretrained("microsoft/unispeech-large-1500h-cv")
>>> # 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)
...
UniSpeechForSequenceClassification
class transformers.UniSpeechForSequenceClassification
< 源代码 >( config )
参数
- config (UniSpeechForSequenceClassification) — 包含模型所有参数的模型配置类。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。请查看 from_pretrained() 方法来加载模型权重。
UniSpeech 模型,顶部带有一个序列分类头(池化输出上的线性层),用于诸如 SUPERB 关键词识别等任务。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源代码 >( 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.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数值。可以通过将.flac
或.wav
音频文件加载到list[float]
类型的数组或numpy.ndarray
中来获得这些值,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torch.FloatTensor
类型的张量。有关详细信息,请参阅UniSpeechProcessor.__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机制的掩码。掩码值选自[0, 1]
:- 1 表示标记未被屏蔽,
- 0 表示标记已被屏蔽。
- 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)。
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),根据配置(UniSpeechConfig)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, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个为嵌入层的输出,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)
, optional, 当传递output_attentions=True
或config.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)
。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。
UniSpeechForSequenceClassification 的 forward 方法重写了 __call__
特殊方法。
虽然前向传递的配方需要在此函数内定义,但之后应该调用 `Module` 实例而不是这个函数,因为前者会处理运行前后处理步骤,而后者会静默地忽略它们。
单标签分类示例
>>> import torch
>>> from transformers import AutoTokenizer, UniSpeechForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/unispeech-large-1500h-cv")
>>> model = UniSpeechForSequenceClassification.from_pretrained("microsoft/unispeech-large-1500h-cv")
>>> 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 = UniSpeechForSequenceClassification.from_pretrained("microsoft/unispeech-large-1500h-cv", 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, UniSpeechForSequenceClassification
>>> tokenizer = AutoTokenizer.from_pretrained("microsoft/unispeech-large-1500h-cv")
>>> model = UniSpeechForSequenceClassification.from_pretrained("microsoft/unispeech-large-1500h-cv", 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 = UniSpeechForSequenceClassification.from_pretrained(
... "microsoft/unispeech-large-1500h-cv", 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
UniSpeechForPreTraining
class transformers.UniSpeechForPreTraining
< 源代码 >( config: UniSpeechConfig )
参数
- config (UniSpeechConfig) — 包含模型所有参数的模型配置类。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。请查看 from_pretrained() 方法来加载模型权重。
带有矢量量化模块和 ctc 损失的 UniSpeech 模型,用于预训练。
此模型继承自 PreTrainedModel。请查看超类文档以了解该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、修剪头部等)。
该模型也是 PyTorch 的 torch.nn.Module 子类。可以像常规 PyTorch 模块一样使用它,并参考 PyTorch 文档了解所有与常规用法和行为相关的事项。
forward
< 源代码 >( 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 ) → transformers.models.unispeech.modeling_unispeech.UniSpeechForPreTrainingOutput 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]
类型的数组或numpy.ndarray
中来获得这些值,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torch.FloatTensor
类型的张量。有关详细信息,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机制的掩码。掩码值选自[0, 1]
:- 1 表示标记未被屏蔽,
- 0 表示标记已被屏蔽。
- 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) — 是返回一个 ModelOutput 而不是一个普通的元组。
返回
transformers.models.unispeech.modeling_unispeech.UniSpeechForPreTrainingOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.unispeech.modeling_unispeech.UniSpeechForPreTrainingOutput 或一个 torch.FloatTensor
的元组(如果传递了 return_dict=False
或当 config.return_dict=False
时),根据配置(UniSpeechConfig)和输入,包含各种元素。
-
loss (
*可选*
, 当模型处于训练模式时返回,torch.FloatTensor
,形状为(1,)
) — 总损失,是对照损失(L_m)和多样性损失(L_d)的总和,如官方论文所述。(分类)损失。 -
projected_states (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.proj_codevector_dim)
) — 模型的隐藏状态投影到 config.proj_codevector_dim,可用于预测被掩蔽的投影量化状态。 -
projected_quantized_states (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.proj_codevector_dim)
) — 量化提取的特征向量投影到 config.proj_codevector_dim,表示对照损失的正向目标向量。 -
codevector_perplexity (形状为
(1,)
的torch.FloatTensor
) — 码向量分布的困惑度,用于衡量码本的多样性。 -
hidden_states (
tuple[torch.FloatTensor]
, 可选, 当传递output_hidden_states=True
或config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组(如果模型有嵌入层,则一个为嵌入层的输出,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, 当传递output_attentions=True
或config.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)
。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。
UniSpeechForPreTraining 的 forward 方法重写了 __call__
特殊方法。
虽然前向传递的配方需要在此函数内定义,但之后应该调用 `Module` 实例而不是这个函数,因为前者会处理运行前后处理步骤,而后者会静默地忽略它们。
示例
>>> import torch
>>> from transformers import AutoFeatureExtractor, UniSpeechForPreTraining
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/unispeech-large-1500h-cv")
>>> model = UniSpeechForPreTraining.from_pretrained("microsoft/unispeech-large-1500h-cv")
>>> # TODO: Add full pretraining example