Transformers 文档
UniSpeech-SAT
并获得增强的文档体验
开始
UniSpeech-SAT
概览
UniSpeech-SAT 模型在 UniSpeech-SAT: Universal Speech Representation Learning with Speaker Aware Pre-Training 中被提出,作者是 Sanyuan Chen, Yu Wu, Chengyi Wang, Zhengyang Chen, Zhuo Chen, Shujie Liu, Jian Wu, Yao Qian, Furu Wei, Jinyu Li, Xiangzhan Yu 。
论文摘要如下
自监督学习 (SSL) 是语音处理的长期目标,因为它利用大规模的无标签数据并避免了大量的人工标注。近年来,自监督学习在语音识别领域的应用取得了巨大成功,但在将 SSL 应用于说话人特征建模方面的探索有限。在本文中,我们的目标是改进现有的 SSL 框架,以进行说话人表征学习。我们引入了两种方法来增强无监督说话人信息提取。首先,我们将多任务学习应用于当前的 SSL 框架,其中我们将 utterance-wise 对比损失与 SSL 目标函数相结合。其次,为了更好地进行说话人区分,我们提出了一种用于数据增强的 utterance 混合策略,其中无监督地创建额外的重叠 utterance 并在训练期间合并。我们将所提出的方法集成到 HuBERT 框架中。在 SUPERB 基准测试上的实验结果表明,所提出的系统在通用表征学习方面取得了最先进的性能,尤其是在面向说话人识别的任务中。我们进行了消融研究,验证了每种所提出的方法的有效性。最后,我们将训练数据集扩展到 9.4 万小时的公共音频数据,并在所有 SUPERB 任务中实现了进一步的性能提升。
此模型由 patrickvonplaten 贡献。作者的代码可以在这里找到。
使用技巧
- UniSpeechSat 是一个语音模型,它接受与语音信号的原始波形相对应的浮点数组。请使用 Wav2Vec2Processor 进行特征提取。
- UniSpeechSat 模型可以使用连接时序分类 (CTC) 进行微调,因此模型输出必须使用 Wav2Vec2CTCTokenizer 进行解码。
- UniSpeechSat 在说话人验证、说话人识别和说话人分割任务上表现尤其出色。
资源
UniSpeechSatConfig
class transformers.UniSpeechSatConfig
< source >( 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 tdnn_dim = (512, 512, 512, 512, 1500) tdnn_kernel = (5, 3, 3, 1, 1) tdnn_dilation = (1, 2, 3, 1, 1) xvector_output_dim = 512 pad_token_id = 0 bos_token_id = 1 eos_token_id = 2 num_clusters = 504 **kwargs )
参数
- vocab_size (
int
, optional, defaults to 32) — UniSpeechSat 模型的词汇表大小。定义了在调用 UniSpeechSatModel 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 UniSpeechSatModel 的前向方法的 inputs_ids 可以表示的不同 token。 - hidden_size (
int
, optional, defaults to 768) — 编码器层和池化器层的维度。 - num_hidden_layers (
int
, optional, defaults to 12) — Transformer 编码器中隐藏层的数量。 - num_attention_heads (
int
, optional, defaults to 12) — Transformer 编码器中每个注意力层的注意力头数。 - intermediate_size (
int
, optional, defaults to 3072) — Transformer 编码器中“中间”(即,前馈)层的维度。 - hidden_act (
str
或function
, optional, defaults to"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,则支持"gelu"
、"relu"
、"selu"
和"gelu_new"
。 - hidden_dropout (
float
, optional, defaults to 0.1) — 嵌入、编码器和池化器中所有全连接层的 dropout 概率。 - activation_dropout (
float
, optional, defaults to 0.1) — 全连接层内部激活的 dropout 比率。 - attention_dropout (
float
, optional, defaults to 0.1) — 注意力概率的 dropout 比率。 - feat_proj_dropout (
float
, 可选, 默认为 0.0) — 特征编码器输出的 dropout 概率。 - feat_quantizer_dropout (
float
, 可选, 默认为 0.0) — 量化器使用的特征编码器输出的 dropout 概率。 - final_dropout (
float
, 可选, 默认为 0.1) — UniSpeechSatForCTC 最终投影层的 dropout 概率。 - layerdrop (
float
, 可选, 默认为 0.1) — LayerDrop 概率。 详情请参阅 [LayerDrop 论文](see https://arxiv.org/abs/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) — layer normalization 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 norm 类型。 可选值为"group"
(仅对第一个 1D 卷积层应用 group normalization) 或"layer"
(对所有 1D 卷积层应用 layer normalization)。 - 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)。 如果是字符串,则支持“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_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 卷积层的步长的整数元组。 - 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 卷积层的内核大小的整数元组。 - conv_bias (
bool
, 可选, 默认为False
) — 1D 卷积层是否具有偏置。 - num_conv_pos_embeddings (
int
, 可选, 默认为 128) — 卷积位置嵌入的数量。 定义 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 *stable* layer norm 架构。do_stable_layer_norm is True
对应于在 attention 层之前应用 layer norm,而do_stable_layer_norm is False
对应于在 attention 层之后应用 layer norm。 - 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。 有关参考,请参阅 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition。 - mask_time_prob (
float
, 可选, 默认为 0.05) — 沿时间轴所有将被 masking 的特征向量的百分比(介于 0 和 1 之间)。 The masking procecure generates ”mask_time_problen(time_axis)/mask_time_length” independent masks over the axis. If reasoning from the propability of each feature vector to be chosen as the start of the vector span to be masked, mask_time_prob should be `prob_vector_startmask_time_length. Note that overlap may decrease the actual percentage of masked vectors. This is only relevant if
apply_spec_augment is True`。 - 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 mask 的最小数量。 Only relevant if ”mask_time_prob*len(time_axis)/mask_time_length < mask_time_min_masks” - mask_feature_prob (
float
, 可选, 默认为 0.0) — 沿特征轴所有将被 masking 的特征向量的百分比(介于 0 和 1 之间)。 The masking procecure generates ”mask_feature_problen(feature_axis)/mask_time_length” independent masks over the axis. If reasoning from the propability of each feature vector to be chosen as the start of the vector span to be masked, mask_feature_prob should be `prob_vector_startmask_feature_length. Note that overlap may decrease the actual percentage of masked vectors. This is only relevant if
apply_spec_augment is True`。 - 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 mask 的最小数量。 Only relevant if ”mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks” - num_codevectors_per_group (
int
, 可选, 默认为 320) — 每个量化码本(组)中的条目数。 - num_codevector_groups (
int
, 可选, 默认为 2) — 用于 product codevector quantization 的码向量组数。 - contrastive_logits_temperature (
float
, 可选, 默认为 0.1) — contrastive loss 中的温度系数 *kappa*。 - num_negatives (
int
, 可选, 默认为 100) — contrastive loss 的负样本数。 - codevector_dim (
int
, 可选, 默认为 256) — 量化特征向量的维度。 - proj_codevector_dim (
int
, 可选, 默认为 256) — 量化特征和 transformer 特征的最终投影的维度。 - diversity_loss_weight (
int
, 可选, 默认为 0.1) — 码本多样性损失分量的权重。 - ctc_loss_reduction (
str
, 可选, 默认为"mean"
) — 指定应用于torch.nn.CTCLoss
输出的 reduction 方式。仅在训练 UniSpeechSatForCTC 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的梯度置零。当输入太短而无法与目标对齐时,主要会发生无限损失。仅在训练 UniSpeechSatForCTC 实例时相关。 - use_weighted_layer_sum (
bool
, 可选, 默认为False
) — 是否使用层输出的加权平均值和学习到的权重。仅在使用 UniSpeechSatForSequenceClassification 实例时相关。 - classifier_proj_size (
int
, 可选, 默认为 256) — 分类前 token 均值池化之前的投影维度。 - tdnn_dim (
Tuple[int]
或List[int]
, 可选, 默认为(512, 512, 512, 512, 1500)
) — 定义 XVector 模型的 TDNN 模块中每个 1D 卷积层输出通道数的整数元组。 tdnn_dim 的长度定义了 TDNN 层的数量。 - tdnn_kernel (
Tuple[int]
或List[int]
, 可选, 默认为(5, 3, 3, 1, 1)
) — 定义 XVector 模型的 TDNN 模块中每个 1D 卷积层内核大小的整数元组。 tdnn_kernel 的长度必须与 tdnn_dim 的长度匹配。 - tdnn_dilation (
Tuple[int]
或List[int]
, 可选, 默认为(1, 2, 3, 1, 1)
) — 定义 XVector 模型的 TDNN 模块中每个 1D 卷积层扩张因子的整数元组。 tdnn_dilation 的长度必须与 tdnn_dim 的长度匹配。 - xvector_output_dim (
int
, 可选, 默认为 512) — XVector 嵌入向量的维度。 - pad_token_id (
int
, 可选, 默认为 0) — padding token 的 id。 - bos_token_id (
int
, 可选, 默认为 1) — “beginning-of-sequence” token 的 id。 - eos_token_id (
int
, 可选, 默认为 2) — “end-of-sequence” token 的 id。 - num_clusters (
int
, 可选, 默认为 504) — 用于弱标签的聚类数量。仅在使用 UniSpeechSatForPreTraining 实例时相关。
这是用于存储 UniSpeechSatModel 配置的配置类。它用于根据指定的参数实例化 UniSpeechSat 模型,定义模型架构。使用默认值实例化配置将产生与 UniSpeechSat microsoft/unispeech-sat-base-100h-libri-ft 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 UniSpeechSatModel, UniSpeechSatConfig
>>> # Initializing a UniSpeechSat microsoft/unispeech-sat-base-100h-libri-ft style configuration
>>> configuration = UniSpeechSatConfig()
>>> # Initializing a model from the microsoft/unispeech-sat-base-100h-libri-ft style configuration
>>> model = UniSpeechSatModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.config
UniSpeechSat 特定输出
class transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput
< source >( loss: typing.Optional[torch.FloatTensor] = None logits: FloatTensor = None projected_states: FloatTensor = None projected_quantized_states: FloatTensor = None codevector_perplexity: FloatTensor = None hidden_states: typing.Optional[typing.Tuple[torch.FloatTensor]] = None attentions: typing.Optional[typing.Tuple[torch.FloatTensor]] = None )
参数
- loss (可选, 当模型处于训练模式时返回, 形状为
(1,)
的torch.FloatTensor
) — 总损失,为对比损失 (L_m) 和多样性损失 (L_d) 的总和,如 官方论文 中所述。(分类) 损失。 - projected_states (形状为
(batch_size, sequence_length, config.proj_codevector_dim)
的torch.FloatTensor
) — 模型投影到 config.proj_codevector_dim 的 hidden-states,可用于预测 masked projected quantized states。 - projected_quantized_states (形状为
(batch_size, sequence_length, config.proj_codevector_dim)
的torch.FloatTensor
) — 量化的提取特征向量投影到 config.proj_codevector_dim,表示对比损失的正目标向量。 - 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 (每个 embedding 输出 + 每个层的输出对应一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及初始 embedding 输出的 hidden-states。
- 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 (每层对应一个),形状为(batch_size, num_heads, sequence_length, sequence_length)
。attention softmax 之后的 attention 权重,用于计算自注意力头中的加权平均值。
UniSpeechSatForPreTrainingOutput
的输出类型,包含可能的 hidden states 和 attentions。
UniSpeechSatModel
class transformers.UniSpeechSatModel
< source >( config: UniSpeechSatConfig )
参数
- config (UniSpeechSatConfig) — 带有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,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
裸 UniSpeechSat 模型 transformer,输出原始 hidden-states,顶部没有任何特定的 head。UniSpeechSat 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中由 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli 提出。
此模型继承自 PreTrainedModel。查看超类文档以获取库为其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 Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
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 或 tuple(torch.FloatTensor)
参数
- input_values (形状为
(batch_size, sequence_length)
的torch.FloatTensor
) — 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]
类型数组或numpy.ndarray
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,请参阅 Wav2Vec2Processor.call()。 - attention_mask (形状为
(batch_size, sequence_length)
的torch.LongTensor
, 可选) — 用于避免在 padding token 索引上执行卷积和 attention 的掩码。掩码值在[0, 1]
中选择:- 1 表示 未被掩码 的 token,
- 0 表示 被掩码 的 token。
仅当对应的 processor 具有
config.return_attention_mask == True
时,才应传递attention_mask
。对于所有 processor 具有config.return_attention_mask == False
的模型,例如 microsoft/unispeech-sat-base-100h-libri-ft,不应 传递attention_mask
,以避免在执行批量推理时性能下降。对于此类模型,input_values
应仅使用 0 填充并传递,而无需attention_mask
。请注意,这些模型也会根据input_values
是否填充而产生略有不同的结果。 - output_attentions (
bool
, 可选) — 是否返回所有 attention 层的 attention 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。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯元组。
返回值
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
或者当 config.return_dict=False
时),包含各种元素,具体取决于配置 (UniSpeechSatConfig) 和输入。
-
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。 -
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
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (每个嵌入输出 + 每层输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或当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。
UniSpeechSatModel forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数中定义,但应该在之后调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoProcessor, UniSpeechSatModel
>>> 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("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatModel.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> # 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, 768]
UniSpeechSatForCTC
class transformers.UniSpeechSatForCTC
< source >( config target_lang: typing.Optional[str] = None )
参数
- config (UniSpeechSatConfig) — 带有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,仅加载配置。 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.<lang>.safetensors 或 adapter.<lang>.bin 格式存储。 仅在使用带有适配器的 UniSpeechSatForCTC 实例时相关。 默认使用 ‘eng’。
带有用于连接时序分类 (CTC) 的 语言建模
头的 UniSpeechSat 模型。 UniSpeechSat 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中由 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli 提出。
此模型继承自 PreTrainedModel。查看超类文档以获取库为其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 Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
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 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。 值可以通过加载.flac
或.wav
音频文件到List[float]
类型的数组或numpy.ndarray
中获得,例如 通过 soundfile 库 (pip install soundfile
)。 为了将数组准备为input_values
,应该使用 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 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
,形状为(batch_size, sequence_length)
, optional) — 用于避免在填充 token 索引上执行卷积和注意力的掩码。 在[0, 1]
中选择的掩码值:- 1 表示 未被掩盖 的 token,
- 0 表示 被掩盖 的 token。
只有当相应的处理器具有
config.return_attention_mask == True
时,才应传递attention_mask
。 对于所有处理器具有config.return_attention_mask == False
的模型,例如 microsoft/unispeech-sat-base-100h-libri-ft, 不应 传递attention_mask
,以避免在进行批量推理时性能下降。 对于此类模型,input_values
应简单地用 0 填充并在没有attention_mask
的情况下传递。 请注意,这些模型也会根据input_values
是否填充而产生略微不同的结果。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 更多细节请查看返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯元组。 - labels (
torch.LongTensor
,形状为(batch_size, target_length)
, optional) — 用于连接时序分类的标签。 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
的标签都会被忽略(掩盖),损失仅针对[0, ..., config.vocab_size - 1]
中的标签计算。
返回值
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),包含各种元素,具体取决于配置 (UniSpeechSatConfig) 和输入。
-
loss (
torch.FloatTensor
,形状为(1,)
, optional, 当提供labels
时返回) — 语言建模损失(用于下一个 token 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 之前每个词汇 token 的分数)。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (每个嵌入输出,如果模型有嵌入层,+ 每层输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及可选的初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或当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。
UniSpeechSatForCTC forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数中定义,但应该在之后调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoProcessor, UniSpeechSatForCTC
>>> 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("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForCTC.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> # 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 QUILDER IS THE APOSTLE 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)
39.88
UniSpeechSatForSequenceClassification
class transformers.UniSpeechSatForSequenceClassification
< source >( config )
参数
- config (UniSpeechSatConfig) — 带有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,仅加载配置。 查看 from_pretrained() 方法来加载模型权重。
带有序列分类头的 UniSpeechSat 模型 (池化输出上的线性层),用于像 SUPERB 关键词检测这样的任务。
UniSpeechSat 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中由 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli 提出。
此模型继承自 PreTrainedModel。查看超类文档以获取库为其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 Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
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.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。 值可以通过加载.flac
或.wav
音频文件到List[float]
类型的数组或numpy.ndarray
中获得,例如 通过 soundfile 库 (pip install soundfile
)。 为了将数组准备为input_values
,应该使用 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 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
,形状为(batch_size, sequence_length)
, optional) — 用于避免在填充 token 索引上执行卷积和注意力的掩码。 在[0, 1]
中选择的掩码值:- 1 表示 未被掩盖 的 token,
- 0 表示 被掩盖 的 token。
只有当相应的处理器具有
config.return_attention_mask == True
时,才应传递attention_mask
。 对于所有处理器具有config.return_attention_mask == False
的模型,例如 microsoft/unispeech-sat-base-100h-libri-ft, 不应 传递attention_mask
,以避免在进行批量推理时性能下降。 对于此类模型,input_values
应简单地用 0 填充并在没有attention_mask
的情况下传递。 请注意,这些模型也会根据input_values
是否填充而产生略微不同的结果。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 更多细节请查看返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是一个普通的元组。 - labels (
torch.LongTensor
of shape(batch_size,)
, optional) — 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(均方误差损失);如果config.num_labels > 1
,则计算分类损失(交叉熵损失)。
返回值
transformers.modeling_outputs.SequenceClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.SequenceClassifierOutput 或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (UniSpeechSatConfig) 和输入。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 分类(或当 config.num_labels==1 时为回归)损失。 -
logits (
torch.FloatTensor
of shape(batch_size, config.num_labels)
) — 分类(或当 config.num_labels==1 时为回归)得分(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (每个嵌入输出,如果模型有嵌入层,+ 每层输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及可选的初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或当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。
UniSpeechSatForSequenceClassification
的 forward 方法,重写了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数中定义,但应该在之后调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, UniSpeechSatForSequenceClassification
>>> 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("microsoft/unispeech-sat-base-100h-libri-ft")
>>> model = UniSpeechSatForSequenceClassification.from_pretrained("microsoft/unispeech-sat-base-100h-libri-ft")
>>> # 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]
>>> # 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
UniSpeechSatForAudioFrameClassification
class transformers.UniSpeechSatForAudioFrameClassification
< 源码 >( config )
参数
- config (UniSpeechSatConfig) — 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。
带有帧分类头的 UniSpeech-SAT 模型,用于诸如说话人分割之类的任务。
UniSpeechSat 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中由 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli 提出。
此模型继承自 PreTrainedModel。查看超类文档以获取库为其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 Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< 源码 >( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None labels: 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.modeling_outputs.TokenClassifierOutput or tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
of shape(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]
类型或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 进行填充和转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于避免对填充 token 索引执行卷积和注意力的掩码。掩码值在[0, 1]
中选择: - 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 而不是一个普通的元组。 - labels (
torch.LongTensor
of shape(batch_size,)
, optional) — 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(均方误差损失);如果config.num_labels > 1
,则计算分类损失(交叉熵损失)。
返回值
transformers.modeling_outputs.TokenClassifierOutput or tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.TokenClassifierOutput 或一个 torch.FloatTensor
元组 (如果传递了 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (UniSpeechSatConfig) 和输入。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 分类损失。 -
logits (
torch.FloatTensor
of shape(batch_size, sequence_length, config.num_labels)
) — 分类得分(在 SoftMax 之前)。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (每个嵌入输出,如果模型有嵌入层,+ 每层输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及可选的初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或当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。
UniSpeechSatForAudioFrameClassification
的 forward 方法,重写了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数中定义,但应该在之后调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, UniSpeechSatForAudioFrameClassification
>>> 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("microsoft/unispeech-sat-base-plus-sd")
>>> model = UniSpeechSatForAudioFrameClassification.from_pretrained("microsoft/unispeech-sat-base-plus-sd")
>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(dataset[0]["audio"]["array"], return_tensors="pt", sampling_rate=sampling_rate)
>>> with torch.no_grad():
... logits = model(**inputs).logits
>>> probabilities = torch.sigmoid(logits[0])
>>> # labels is a one-hot array of shape (num_frames, num_speakers)
>>> labels = (probabilities > 0.5).long()
>>> labels[0].tolist()
[0, 0]
UniSpeechSatForXVector
class transformers.UniSpeechSatForXVector
< 源码 >( config )
参数
- config (UniSpeechSatConfig) — 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 XVector 特征提取头的 UniSpeech-SAT 模型,用于诸如说话人验证之类的任务。
UniSpeechSat 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中由 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli 提出。
此模型继承自 PreTrainedModel。查看超类文档以获取库为其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 Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
forward
< 源码 >( 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.XVectorOutput or tuple(torch.FloatTensor)
参数
- input_values (
torch.FloatTensor
of shape(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]
类型或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 进行填充和转换为torch.FloatTensor
类型的张量。有关详细信息,请参阅 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
of shape(batch_size, sequence_length)
, optional) — 用于避免对填充 token 索引执行卷积和注意力的掩码。掩码值在[0, 1]
中选择: - 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。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯粹的元组。 - labels (
torch.LongTensor
,形状为(batch_size,)
,optional) — 用于计算序列分类/回归损失的标签。索引应该在[0, ..., config.num_labels - 1]
中。如果config.num_labels == 1
,则计算回归损失(均方误差损失);如果config.num_labels > 1
,则计算分类损失(交叉熵损失)。
返回值
transformers.modeling_outputs.XVectorOutput 或 tuple(torch.FloatTensor)
一个 transformers.modeling_outputs.XVectorOutput 或一个 torch.FloatTensor
元组 (如果传递 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (UniSpeechSatConfig) 和输入。
-
loss (
torch.FloatTensor
of shape(1,)
, optional, returned whenlabels
is provided) — 分类损失。 -
logits (
torch.FloatTensor
,形状为(batch_size, config.xvector_output_dim)
) — AMSoftmax 之前的分类隐藏状态。 -
embeddings (
torch.FloatTensor
,形状为(batch_size, config.xvector_output_dim)
) — 用于基于向量相似度检索的 utterance embeddings。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (每个嵌入输出 + 每层输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或当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。
UniSpeechSatForXVector 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数中定义,但应该在之后调用 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,而后者会默默地忽略它们。
示例
>>> from transformers import AutoFeatureExtractor, UniSpeechSatForXVector
>>> 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("microsoft/unispeech-sat-base-plus-sv")
>>> model = UniSpeechSatForXVector.from_pretrained("microsoft/unispeech-sat-base-plus-sv")
>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(
... [d["array"] for d in dataset[:2]["audio"]], sampling_rate=sampling_rate, return_tensors="pt", padding=True
... )
>>> with torch.no_grad():
... embeddings = model(**inputs).embeddings
>>> embeddings = torch.nn.functional.normalize(embeddings, dim=-1).cpu()
>>> # the resulting embeddings can be used for cosine similarity-based retrieval
>>> cosine_sim = torch.nn.CosineSimilarity(dim=-1)
>>> similarity = cosine_sim(embeddings[0], embeddings[1])
>>> threshold = 0.7 # the optimal threshold is dataset-dependent
>>> if similarity < threshold:
... print("Speakers are not the same!")
>>> round(similarity.item(), 2)
0.97
UniSpeechSatForPreTraining
class transformers.UniSpeechSatForPreTraining
< source >( config: UniSpeechSatConfig )
参数
- config (UniSpeechSatConfig) — 带有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,仅加载配置。 查看 from_pretrained() 方法来加载模型权重。
带有量化器和 VQ
头的 UniSpeechSat 模型。 UniSpeechSat 是由 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出的。
此模型继承自 PreTrainedModel。查看超类文档以获取库为其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 Module,并参阅 PyTorch 文档以了解与通用用法和行为相关的所有事项。
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 ) → transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput 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]
类型的数组或numpy.ndarray
中获得,例如 通过 soundfile 库 (pip install soundfile
)。 要将数组准备为input_values
,应该使用 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 Wav2Vec2Processor.call()。 - attention_mask (
torch.LongTensor
,形状为(batch_size, sequence_length)
,optional) — 用于避免在 padding 标记索引上执行卷积和注意力的掩码。 掩码值在[0, 1]
中选择:- 1 表示未被掩盖的标记,
- 0 表示被掩盖的标记。
只有当对应的 processor 具有
config.return_attention_mask == True
时,才应该传递attention_mask
。 对于所有 processor 具有config.return_attention_mask == False
的模型,例如 microsoft/unispeech-sat-base-100h-libri-ft, 不应传递attention_mask
,以避免在进行批量推理时性能下降。 对于此类模型,input_values
应该简单地用 0 填充并传递,而无需attention_mask
。 请注意,这些模型也会根据input_values
是否填充产生略微不同的结果。 - output_attentions (
bool
, optional) — 是否返回所有注意力层的注意力张量。 更多细节请查看返回张量下的attentions
。 - output_hidden_states (
bool
, optional) — 是否返回所有层的隐藏状态。 更多细节请查看返回张量下的hidden_states
。 - return_dict (
bool
, optional) — 是否返回 ModelOutput 而不是纯粹的元组。
返回值
transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.unispeech_sat.modeling_unispeech_sat.UniSpeechSatForPreTrainingOutput 或一个 torch.FloatTensor
元组 (如果传递 return_dict=False
或当 config.return_dict=False
时),包含各种元素,具体取决于配置 (UniSpeechSatConfig) 和输入。
-
loss (optional, 当模型处于训练模式时返回,
torch.FloatTensor
,形状为(1,)
) — 总损失,为对比损失 (L_m) 和多样性损失 (L_d) 的总和,如 官方论文 中所述。(分类)损失。 -
projected_states (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.proj_codevector_dim)
) — 模型投影到 config.proj_codevector_dim 的隐藏状态,可用于预测被掩盖的投影量化状态。 -
projected_quantized_states (
torch.FloatTensor
,形状为(batch_size, sequence_length, config.proj_codevector_dim)
) — 投影到 config.proj_codevector_dim 的量化提取特征向量,表示对比损失的正目标向量。 -
hidden_states (
tuple(torch.FloatTensor)
, optional, 当传递output_hidden_states=True
或当config.output_hidden_states=True
时返回) —torch.FloatTensor
的元组 (每个嵌入输出 + 每层输出各一个),形状为(batch_size, sequence_length, hidden_size)
。模型在每一层输出以及初始嵌入输出处的隐藏状态。
-
attentions (
tuple(torch.FloatTensor)
, optional, 当传递output_attentions=True
或当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。
UniSpeechSatForPreTraining 的 forward 方法,覆盖了 __call__
特殊方法。
尽管 forward 传递的配方需要在该函数中定义,但应该在之后调用 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,而后者会默默地忽略它们。
示例
>>> import torch
>>> from transformers import AutoFeatureExtractor, UniSpeechSatForPreTraining
>>> from transformers.models.unispeech_sat.modeling_unispeech_sat import _compute_mask_indices
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("microsoft/unispeech-sat-base")
>>> model = UniSpeechSatForPreTraining.from_pretrained("microsoft/unispeech-sat-base")
>>> # TODO: Add full pretraining example