Transformers 文档

Wav2Vec2

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始使用

Wav2Vec2

PyTorch TensorFlow Flax FlashAttention SDPA

概述

Wav2Vec2 模型在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 这篇论文中被提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

论文摘要如下:

我们首次证明,仅从语音音频中学习强大的表示,然后对转录的语音进行微调,可以胜过最佳的半监督方法,同时在概念上更简单。wav2vec 2.0 掩盖了潜在空间中的语音输入,并解决了一个在联合学习的潜在表示的量化上定义的对比任务。使用 Librispeech 的所有标记数据进行的实验在 clean/other 测试集上实现了 1.8/3.3 WER。当将标记数据的量降低到一个小时时,wav2vec 2.0 在 100 小时子集上优于之前的最先进水平,同时使用的标记数据减少了 100 倍。仅使用十分钟的标记数据并在 53k 小时的未标记数据上进行预训练,仍然可以实现 4.8/8.2 WER。这证明了在有限数量的标记数据下进行语音识别的可行性。

此模型由 patrickvonplaten 贡献。

注意:Meta (FAIR) 发布了新版本的 Wav2Vec2-BERT 2.0 - 它在 4.5M 小时的音频上进行了预训练。我们特别推荐将其用于微调任务,例如按照 本指南

使用提示

  • Wav2Vec2 是一个语音模型,它接受一个浮点数组,对应于语音信号的原始波形。
  • Wav2Vec2 模型使用连接时序分类 (CTC) 进行训练,因此模型输出必须使用 Wav2Vec2CTCTokenizer 进行解码。

使用 Flash Attention 2

Flash Attention 2 是模型的一个更快、更优化的版本。

安装

首先,检查您的硬件是否与 Flash Attention 2 兼容。兼容硬件的最新列表可以在 官方文档 中找到。如果您的硬件与 Flash Attention 2 不兼容,您仍然可以通过 上面 介绍的 Better Transformer 支持中受益于 attention 内核优化。

接下来,安装 最新版本的 Flash Attention 2

pip install -U flash-attn --no-build-isolation

用法

要使用 Flash Attention 2 加载模型,我们可以将参数 attn_implementation="flash_attention_2" 传递给 .from_pretrained。我们还将以半精度 (例如 torch.float16) 加载模型,因为它几乎不会降低音频质量,但会显着降低内存使用量并加快推理速度

>>> from transformers import Wav2Vec2Model

model = Wav2Vec2Model.from_pretrained("facebook/wav2vec2-large-960h-lv60-self", torch_dtype=torch.float16, attn_implementation="flash_attention_2").to(device)
...

预期加速

以下是预期加速图表,比较了 facebook/wav2vec2-large-960h-lv60-self 模型的 transformers 中的原生实现与 flash-attention-2 和 sdpa (scale-dot-product-attention) 版本之间的纯推理时间。我们展示了在 librispeech_asr clean 验证集上获得的平均加速。

资源

以下是官方 Hugging Face 和社区(标有 🌎)资源列表,可帮助您开始使用 Wav2Vec2。如果您有兴趣提交资源以包含在此处,请随时打开 Pull Request,我们将对其进行审核!该资源应理想地展示一些新的东西,而不是重复现有资源。

音频分类
自动语音识别

🚀 部署

  • 一篇关于如何使用 Hugging Face 的 Transformers & Amazon SageMaker 部署 Wav2Vec2 以进行自动语音识别的博文。

Wav2Vec2Config

class transformers.Wav2Vec2Config

< >

( 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 = 'sum' 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 add_adapter = False adapter_kernel_size = 3 adapter_stride = 2 num_adapter_layers = 3 output_hidden_size = None adapter_attn_dim = None **kwargs )

参数

  • vocab_size (int, optional, defaults to 32) — Wav2Vec2 模型的词汇表大小。 定义了在调用 Wav2Vec2ModelTFWav2Vec2Model 时,可以通过 inputs_ids 传递的不同 token 的数量。 模型的词汇表大小。 定义了可以由传递给 Wav2Vec2Model 前向方法的 inputs_ids 表示的不同 token。
  • hidden_size (int, optional, defaults to 768) — 编码器层和池化层的维度。
  • 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“中间层”(即,前馈)的维度。
  • hidden_act (strfunction, 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)。 如果是字符串,则支持 "gelu""relu""selu""gelu_new"
  • hidden_dropout (float, optional, defaults to 0.1) — 嵌入层、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) — 全连接层内部激活值的 dropout 比率。
  • attention_dropout (float, optional, defaults to 0.1) — 注意力概率的 dropout 比率。
  • final_dropout (float, optional, defaults to 0.1) — Wav2Vec2ForCTC 的最终投影层的 dropout 概率。
  • layerdrop (float, optional, defaults to 0.1) — LayerDrop 概率。 有关更多详细信息,请参阅 [LayerDrop 论文](see https://arxiv.org/abs/1909.11556)。
  • initializer_range (float, optional, defaults to 0.02) — 用于初始化所有权重矩阵的截断正态分布初始化器的标准差。
  • layer_norm_eps (float, optional, defaults to 1e-12) — 层归一化层使用的 epsilon 值。
  • feat_extract_norm (str, optional, defaults to "group") — 应用于特征编码器中 1D 卷积层的归一化类型。 可以是 "group",表示仅对第一个 1D 卷积层应用 group normalization;也可以是 "layer",表示对所有 1D 卷积层应用 layer normalization。
  • feat_proj_dropout (float, optional, defaults to 0.0) — 特征编码器输出的 dropout 概率。
  • feat_extract_activation (str, optional, defaults to “gelu”) -- 特征提取器的 1D 卷积层中的非线性激活函数(函数或字符串)。 如果是字符串,则支持 “gelu”“relu”“selu”“gelu_new”
  • feat_quantizer_dropout (float, optional, defaults to 0.0) — 量化特征编码器状态的 dropout 概率。
  • conv_dim (Tuple[int]List[int], optional, defaults to (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]List[int], optional, defaults to (5, 2, 2, 2, 2, 2, 2)) — 定义特征编码器中每个 1D 卷积层的步幅的整数元组。 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]List[int], optional, defaults to (10, 3, 3, 3, 3, 3, 3)) — 定义特征编码器中每个 1D 卷积层的卷积核大小的整数元组。 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, optional, defaults to False) — 1D 卷积层是否具有偏置。
  • num_conv_pos_embeddings (int, optional, defaults to 128) — 卷积位置嵌入的数量。 定义了 1D 卷积位置嵌入层的卷积核大小。
  • num_conv_pos_embedding_groups (int, optional, defaults to 16) — 1D 卷积位置嵌入层的组数。
  • do_stable_layer_norm (bool, optional, defaults to False) — 是否应用 Transformer 编码器的稳定层归一化架构。 do_stable_layer_norm is True 对应于在注意力层之前应用层归一化,而 do_stable_layer_norm is False 对应于在注意力层之后应用层归一化。
  • apply_spec_augment (bool, optional, defaults to True) — 是否将 SpecAugment 数据增强应用于特征编码器的输出。 有关参考,请参阅 SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition
  • mask_time_prob (float, optional, defaults to 0.05) — 沿时间轴将要被 mask 的所有特征向量的百分比(介于 0 和 1 之间)。 Mask 过程在轴上生成 “mask_time_prob*len(time_axis)/mask_time_length” 个独立的 mask。 如果从每个特征向量被选为要 mask 的向量跨度的起点的概率来推断,mask_time_prob 应该为 `prob_vector_start*mask_time_length`。 请注意,重叠可能会降低实际 mask 向量的百分比。 这仅在 apply_spec_augment is True 时相关。
  • mask_time_length (int, optional, defaults to 10) — 沿时间轴的向量跨度长度。
  • mask_time_min_masks (int, optional, defaults to 2), — 沿时间轴生成的长度为 mask_feature_length 的最小 mask 数量,每个时间步,与 mask_feature_prob 无关。 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) — 沿特征轴将被屏蔽的所有特征向量的百分比(介于 0 和 1 之间)。屏蔽过程会生成 “mask_feature_prob*len(feature_axis)/mask_time_length” 个沿轴独立的掩码。如果从每个特征向量被选为要屏蔽的向量跨度的起点的概率来推断,则 mask_feature_prob 应该为 `prob_vector_start*mask_feature_length`。 请注意,重叠可能会降低实际屏蔽向量的百分比。 这仅在 apply_spec_augment 为 True 时相关。
  • mask_feature_length (int, 可选,默认为 10) — 沿特征轴的向量跨度长度。
  • mask_feature_min_masks (int, 可选,默认为 0) — 沿特征轴生成的长度为 mask_feature_length 的最小掩码数,每次时间步,与 mask_feature_prob 无关。 仅在 “mask_feature_prob*len(feature_axis)/mask_feature_length < mask_feature_min_masks” 时相关
  • 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) — 用于乘积码本向量量化的码本向量组的数量。
  • contrastive_logits_temperature (float, 可选,默认为 0.1) — 对比损失中的温度系数 kappa
  • 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。
  • num_negatives (int, 可选,默认为 100) — 对比损失的负样本数。
  • 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 "sum") — 指定应用于 torch.nn.CTCLoss 输出的缩减方式。 仅在训练 Wav2Vec2ForCTC 的实例时相关。
  • ctc_zero_infinity (bool, 可选,默认为 False) — 是否将 torch.nn.CTCLoss 的无限损失和相关梯度归零。 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 Wav2Vec2ForCTC 的实例时相关。
  • use_weighted_layer_sum (bool, 可选,默认为 False) — 是否使用层输出的加权平均值以及学习的权重。 仅在使用 Wav2Vec2ForSequenceClassification 的实例时相关。
  • 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]List[int], 可选,默认为 (512, 512, 512, 512, 1500)) — 定义 XVector 模型的 TDNN 模块中每个一维卷积层的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]List[int], 可选,默认为 (5, 3, 3, 1, 1)) — 定义 XVector 模型的 TDNN 模块中每个一维卷积层的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]List[int], 可选,默认为 (1, 2, 3, 1, 1)) — 定义 XVector 模型的 TDNN 模块中每个一维卷积层的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。
  • add_adapter (bool, 可选,默认为 False) — 是否应在 Wav2Vec2 编码器的顶部堆叠卷积网络。 对于 SpeechEncoderDecoder 模型热启动 Wav2Vec2 非常有用。
  • adapter_kernel_size (int, 可选,默认为 3) — 适配器网络中卷积层的内核大小。 仅当 add_adapter 为 True 时相关。
  • adapter_stride (int, 可选,默认为 2) — 适配器网络中卷积层的步幅。 仅当 add_adapter 为 True 时相关。
  • num_adapter_layers (int, 可选,默认为 3) — 适配器网络中应使用的卷积层数。 仅当 add_adapter 为 True 时相关。
  • adapter_attn_dim (int, 可选) — 在每个注意力模块中使用的注意力适配器权重的维度。 使用注意力适配器的模型的示例是 facebook/mms-1b-all
  • output_hidden_size (int, 可选) — 编码器输出层的维度。 如果未定义,则默认为 hidden-size。 仅当 add_adapter 为 True 时相关。

这是用于存储 Wav2Vec2Model 配置的配置类。 它用于根据指定的参数实例化 Wav2Vec2 模型,定义模型架构。 使用默认值实例化配置将产生与 Wav2Vec2 facebook/wav2vec2-base-960h 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 Wav2Vec2Config, Wav2Vec2Model

>>> # Initializing a Wav2Vec2 facebook/wav2vec2-base-960h style configuration
>>> configuration = Wav2Vec2Config()

>>> # Initializing a model (with random weights) from the facebook/wav2vec2-base-960h style configuration
>>> model = Wav2Vec2Model(configuration)

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

Wav2Vec2CTCTokenizer

class transformers.Wav2Vec2CTCTokenizer

< >

( vocab_file bos_token = '<s>' eos_token = '</s>' unk_token = '<unk>' pad_token = '<pad>' word_delimiter_token = '|' replace_word_delimiter_char = ' ' do_lower_case = False target_lang = None **kwargs )

参数

  • vocab_file (str) — 包含词汇表的文件。
  • bos_token (str, 可选, 默认为 "<s>") — 句子的起始标记。
  • 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。词汇表中不存在的标记无法转换为 ID,并将被设置为此标记。
  • pad_token (str, 可选, 默认为 "<pad>") — 用于填充的标记,例如在对不同长度的序列进行批处理时。
  • word_delimiter_token (str, 可选, 默认为 "|") — 用于定义单词结尾的标记。
  • do_lower_case (bool, 可选, 默认为 False) — 是否接受小写输入,并在解码时将输出转换为小写。
  • target_lang (str, 可选) — 分词器应默认设置的目标语言。 target_lang 必须为多语言、嵌套词汇表定义,例如 facebook/mms-1b-all
  • **kwargs — 传递给 PreTrainedTokenizer 的附加关键字参数。

构建 Wav2Vec2CTC 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。

__call__

< >

( text: typing.Union[str, typing.List[str], typing.List[typing.List[str]]] = None text_pair: typing.Union[str, typing.List[str], typing.List[typing.List[str]], NoneType] = None text_target: typing.Union[str, typing.List[str], typing.List[typing.List[str]]] = None text_pair_target: typing.Union[str, typing.List[str], typing.List[typing.List[str]], NoneType] = None add_special_tokens: bool = True padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = False truncation: typing.Union[bool, str, transformers.tokenization_utils_base.TruncationStrategy] = None max_length: typing.Optional[int] = None stride: int = 0 is_split_into_words: bool = False pad_to_multiple_of: typing.Optional[int] = None padding_side: typing.Optional[str] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None return_token_type_ids: typing.Optional[bool] = None return_attention_mask: typing.Optional[bool] = None return_overflowing_tokens: bool = False return_special_tokens_mask: bool = False return_offsets_mapping: bool = False return_length: bool = False verbose: bool = True **kwargs ) BatchEncoding

参数

  • text (str, List[str], List[List[str]], 可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,则必须设置 is_split_into_words=True (以消除与序列批次的歧义)。
  • text_pair (str, List[str], List[List[str]], 可选) — 要编码的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,则必须设置 is_split_into_words=True (以消除与序列批次的歧义)。
  • text_target (str, List[str], List[List[str]], 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,则必须设置 is_split_into_words=True (以消除与序列批次的歧义)。
  • text_pair_target (str, List[str], List[List[str]], 可选) — 要编码为目标文本的序列或序列批次。每个序列可以是字符串或字符串列表(预分词字符串)。如果序列以字符串列表(预分词)形式提供,则必须设置 is_split_into_words=True (以消除与序列批次的歧义)。
  • add_special_tokens (bool, 可选, 默认为 True) — 是否在编码序列时添加特殊标记。这将使用底层的 PretrainedTokenizerBase.build_inputs_with_special_tokens 函数,该函数定义了哪些标记会自动添加到 input ids 中。如果您想自动添加 boseos 标记,这将非常有用。
  • padding (bool, strPaddingStrategy, 可选, 默认为 False) — 激活和控制填充。接受以下值:

    • True'longest':填充到批次中最长的序列(如果仅提供单个序列,则不填充)。
    • 'max_length':填充到由参数 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'do_not_pad' (默认):不填充(即,可以输出具有不同长度序列的批次)。
  • truncation (bool, strTruncationStrategy, 可选, 默认为 False) — 激活和控制截断。接受以下值:

    • True'longest_first':截断为由参数 max_length 指定的最大长度,或者如果未提供该参数,则截断为模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将逐个标记地截断,从较长序列中删除标记。
    • 'only_first':截断为由参数 max_length 指定的最大长度,或者如果未提供该参数,则截断为模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将仅截断第一序列。
    • 'only_second':截断为由参数 max_length 指定的最大长度,或者如果未提供该参数,则截断为模型可接受的最大输入长度。如果提供了一对序列(或一批对),这将仅截断第二序列。
    • False'do_not_truncate' (默认):不截断(即,可以输出序列长度大于模型最大允许输入大小的批次)。
  • max_length (int, 可选) — 控制截断/填充参数之一使用的最大长度。

    如果未设置或设置为 None,如果截断/填充参数之一需要最大长度,则将使用预定义的模型最大长度。如果模型没有特定的最大输入长度(如 XLNet),则将停用截断/填充到最大长度。

  • stride (int, 可选, 默认为 0) — 如果与 max_length 一起设置为数字,则当 return_overflowing_tokens=True 时返回的溢出标记将包含来自截断序列末尾的一些标记,以便在截断序列和溢出序列之间提供一些重叠。此参数的值定义了重叠标记的数量。
  • is_split_into_words (bool, 可选, 默认为 False) — 输入是否已预先分词(例如,拆分为单词)。如果设置为 True,则分词器假定输入已拆分为单词(例如,通过在空格上拆分),它将对其进行分词。这对于 NER 或标记分类很有用。
  • pad_to_multiple_of (int, 可选) — 如果设置,将序列填充到提供的值的倍数。需要激活 padding。这对于在计算能力 >= 7.5 (Volta) 的 NVIDIA 硬件上启用 Tensor Cores 的使用特别有用。
  • padding_side (str, 可选) — 模型应在其上应用填充的一侧。应在 [‘right’, ‘left’] 之间选择。默认值从同名的类属性中选取。
  • return_tensors (strTensorType, 可选) — 如果设置,将返回 tensors 而不是 python 整数列表。可接受的值为:

    • 'tf':返回 TensorFlow tf.constant 对象。
    • 'pt':返回 PyTorch torch.Tensor 对象。
    • 'np':返回 Numpy np.ndarray 对象。
  • return_token_type_ids (bool, 可选) — 是否返回 token type IDs。如果保留为默认值,将根据特定分词器的默认值返回 token type IDs,由 return_outputs 属性定义。

    什么是 token type IDs?

  • return_attention_mask (bool, optional) — 是否返回 attention mask。如果保留为默认值,将根据特定 tokenizer 的默认值返回 attention mask,该默认值由 return_outputs 属性定义。

    什么是 attention masks?

  • return_overflowing_tokens (bool, optional, defaults to False) — 是否返回溢出的 token 序列。如果提供一对输入 id 序列(或一批对),且 truncation_strategy = longest_firstTrue,则会引发错误,而不是返回溢出的 token。
  • return_special_tokens_mask (bool, optional, defaults to False) — 是否返回特殊 token 掩码信息。
  • return_offsets_mapping (bool, optional, defaults to False) — 是否为每个 token 返回 (char_start, char_end)

    这仅在继承自 PreTrainedTokenizerFast 的快速 tokenizer 上可用,如果使用 Python 的 tokenizer,此方法将引发 NotImplementedError

  • return_length (bool, optional, defaults to False) — 是否返回编码输入的长度。
  • verbose (bool, optional, defaults to True) — 是否打印更多信息和警告。
  • **kwargs — 传递给 self.tokenize() 方法

返回值

BatchEncoding

一个 BatchEncoding,包含以下字段

  • input_ids — token id 列表,用于输入到模型中。

    什么是输入 IDs?

  • token_type_ids — token 类型 id 列表,用于输入到模型中(当 return_token_type_ids=True 或如果 “token_type_ids”self.model_input_names 中时)。

    什么是 token 类型 IDs?

  • attention_mask — 索引列表,指定模型应注意哪些 token(当 return_attention_mask=True 或如果 “attention_mask”self.model_input_names 中时)。

    什么是 attention masks?

  • overflowing_tokens — 溢出的 token 序列列表(当指定了 max_lengthreturn_overflowing_tokens=True 时)。

  • num_truncated_tokens — 截断的 token 数量(当指定了 max_lengthreturn_overflowing_tokens=True 时)。

  • special_tokens_mask — 0 和 1 的列表,其中 1 指定添加的特殊 token,0 指定常规序列 token(当 add_special_tokens=Truereturn_special_tokens_mask=True 时)。

  • length — 输入的长度(当 return_length=True 时)

对一个或多个序列或一对或多对序列进行 tokenization 和模型准备的主要方法。

save_vocabulary

< >

( save_directory: str filename_prefix: typing.Optional[str] = None )

decode

< >

( token_ids: typing.Union[int, typing.List[int], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), ForwardRef('tf.Tensor')] skip_special_tokens: bool = False clean_up_tokenization_spaces: bool = None output_char_offsets: bool = False output_word_offsets: bool = False **kwargs ) strWav2Vec2CTCTokenizerOutput

参数

  • token_ids (Union[int, List[int], np.ndarray, torch.Tensor, tf.Tensor]) — token 化的输入 id 列表。可以使用 __call__ 方法获得。
  • skip_special_tokens (bool, optional, defaults to False) — 是否在解码中删除特殊 token。
  • clean_up_tokenization_spaces (bool, optional) — 是否清理 tokenization 后的空格。
  • output_char_offsets (bool, optional, defaults to False) — 是否输出字符偏移量。字符偏移量可以与采样率和模型下采样率结合使用,以计算转录字符的时间戳。

    请查看下面的示例,以更好地理解如何使用 output_char_offsets

  • output_word_offsets (bool, optional, defaults to False) — 是否输出单词偏移量。单词偏移量可以与采样率和模型下采样率结合使用,以计算转录单词的时间戳。

    请查看下面的示例,以更好地理解如何使用 output_word_offsets

  • kwargs (附加的关键字参数, optional) — 将传递给底层模型特定的解码方法。

返回值

strWav2Vec2CTCTokenizerOutput

解码句子的列表。当 output_char_offsets == Trueoutput_word_offsets == True 时,将为 Wav2Vec2CTCTokenizerOutput

使用 tokenizer 和词汇表将 id 序列转换为字符串,可以选择删除特殊 token 和清理 tokenization 后的空格。

类似于执行 self.convert_tokens_to_string(self.convert_ids_to_tokens(token_ids))

示例

>>> # Let's see how to retrieve time steps for a model
>>> from transformers import AutoTokenizer, AutoFeatureExtractor, AutoModelForCTC
>>> from datasets import load_dataset
>>> import datasets
>>> import torch

>>> # import model, feature extractor, tokenizer
>>> model = AutoModelForCTC.from_pretrained("facebook/wav2vec2-base-960h")
>>> tokenizer = AutoTokenizer.from_pretrained("facebook/wav2vec2-base-960h")
>>> feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/wav2vec2-base-960h")

>>> # load first sample of English common_voice
>>> dataset = load_dataset("mozilla-foundation/common_voice_11_0", "en", split="train", streaming=True, trust_remote_code=True)
>>> dataset = dataset.cast_column("audio", datasets.Audio(sampling_rate=16_000))
>>> dataset_iter = iter(dataset)
>>> sample = next(dataset_iter)

>>> # forward sample through model to get greedily predicted transcription ids
>>> input_values = feature_extractor(sample["audio"]["array"], return_tensors="pt").input_values
>>> logits = model(input_values).logits[0]
>>> pred_ids = torch.argmax(logits, axis=-1)

>>> # retrieve word stamps (analogous commands for `output_char_offsets`)
>>> outputs = tokenizer.decode(pred_ids, output_word_offsets=True)
>>> # compute `time_offset` in seconds as product of downsampling ratio and sampling_rate
>>> time_offset = model.config.inputs_to_logits_ratio / feature_extractor.sampling_rate

>>> word_offsets = [
...     {
...         "word": d["word"],
...         "start_time": round(d["start_offset"] * time_offset, 2),
...         "end_time": round(d["end_offset"] * time_offset, 2),
...     }
...     for d in outputs.word_offsets
... ]
>>> # compare word offsets with audio `en_train_0/common_voice_en_19121553.mp3` online on the dataset viewer:
>>> # https://huggingface.co/datasets/mozilla-foundation/common_voice_11_0/viewer/en
>>> word_offsets[:3]
[{'word': 'THE', 'start_time': 0.7, 'end_time': 0.78}, {'word': 'TRICK', 'start_time': 0.88, 'end_time': 1.08}, {'word': 'APPEARS', 'start_time': 1.2, 'end_time': 1.64}]

batch_decode

< >

( sequences: typing.Union[typing.List[int], typing.List[typing.List[int]], ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), ForwardRef('tf.Tensor')] skip_special_tokens: bool = False clean_up_tokenization_spaces: bool = None output_char_offsets: bool = False output_word_offsets: bool = False **kwargs ) List[str]Wav2Vec2CTCTokenizerOutput

参数

  • sequences (Union[List[int], List[List[int]], np.ndarray, torch.Tensor, tf.Tensor]) — token 化的输入 id 列表。可以使用 __call__ 方法获得。
  • skip_special_tokens (bool, optional, defaults to False) — 是否在解码中删除特殊 token。
  • clean_up_tokenization_spaces (bool, optional) — 是否清理 tokenization 后的空格。
  • output_char_offsets (bool, optional, defaults to False) — 是否输出字符偏移量。字符偏移量可以与采样率和模型下采样率结合使用,以计算转录字符的时间戳。

    请查看 decode() 的示例,以更好地理解如何使用 output_char_offsetsbatch_decode() 的工作方式与批量输出相同。

  • output_word_offsets (bool, optional, defaults to False) — 是否输出单词偏移量。单词偏移量可以与采样率和模型下采样率结合使用,以计算转录单词的时间戳。

    请查看 decode() 的示例,以更好地理解如何使用 output_word_offsetsbatch_decode() 的工作方式与批量输出相同。

  • kwargs (附加的关键字参数, optional) — 将传递给底层模型特定的解码方法。

返回值

List[str]Wav2Vec2CTCTokenizerOutput

解码句子的列表。当 output_char_offsets == Trueoutput_word_offsets == True 时,将为 Wav2Vec2CTCTokenizerOutput

通过调用 decode,将 token id 列表的列表转换为字符串列表。

set_target_lang

< >

( target_lang: str )

设置嵌套多语言字典的目标语言

Wav2Vec2FeatureExtractor

class transformers.Wav2Vec2FeatureExtractor

< >

( feature_size = 1 sampling_rate = 16000 padding_value = 0.0 return_attention_mask = False do_normalize = True **kwargs )

参数

  • feature_size (int, 可选, 默认为 1) — 提取特征的特征维度。
  • sampling_rate (int, 可选, 默认为 16000) — 音频文件应数字化的采样率,以赫兹 (Hz) 表示。
  • padding_value (float, 可选, 默认为 0.0) — 用于填充 padding 值的数值。
  • do_normalize (bool, 可选, 默认为 True) — 是否对输入进行零均值单位方差归一化。归一化可以显著提高某些模型的性能,例如wav2vec2-lv60
  • return_attention_mask (bool, 可选, 默认为 False) — 是否 call() 应该返回 attention_mask

    已设置 config.feat_extract_norm == "group" 的 Wav2Vec2 模型,例如 wav2vec2-base没有使用 attention_mask 进行训练。对于此类模型,input_values 应该简单地用 0 填充,并且不应传递 attention_mask

    对于已设置 config.feat_extract_norm == "layer" 的 Wav2Vec2 模型,例如 wav2vec2-lv60,应该为批量推理传递 attention_mask

构建 Wav2Vec2 特征提取器。

此特征提取器继承自 SequenceFeatureExtractor,其中包含大多数主要方法。用户应参考此超类以获取有关这些方法的更多信息。

__call__

< >

( raw_speech: typing.Union[numpy.ndarray, typing.List[float], typing.List[numpy.ndarray], typing.List[typing.List[float]]] padding: typing.Union[bool, str, transformers.utils.generic.PaddingStrategy] = False max_length: typing.Optional[int] = None truncation: bool = False pad_to_multiple_of: typing.Optional[int] = None return_attention_mask: typing.Optional[bool] = None return_tensors: typing.Union[str, transformers.utils.generic.TensorType, NoneType] = None sampling_rate: typing.Optional[int] = 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的列表。必须是单声道音频,而不是立体声,即每个时间步单个浮点数。
  • padding (bool, strPaddingStrategy, 可选, 默认为 False) — 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'longest':填充到批次中最长的序列(如果仅提供单个序列,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'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,以将长于 max_length 的输入序列截断为 max_length
  • pad_to_multiple_of (int, 可选) — 如果设置,则将序列填充为所提供值的倍数。

    这对于在计算能力 >= 7.5 (Volta) 的 NVIDIA 硬件或受益于序列长度为 128 的倍数的 TPU 上启用 Tensor Cores 的使用尤其有用。

  • return_attention_mask (bool, 可选) — 是否返回 attention mask。如果保留为默认值,将根据特定 feature_extractor 的默认值返回 attention mask。

    什么是 attention masks?

    已设置 config.feat_extract_norm == "group" 的 Wav2Vec2 模型,例如 wav2vec2-base没有使用 attention_mask 进行训练。对于此类模型,input_values 应该简单地用 0 填充,并且不应传递 attention_mask

    对于已设置 config.feat_extract_norm == "layer" 的 Wav2Vec2 模型,例如 wav2vec2-lv60,应该为批量推理传递 attention_mask

  • return_tensors (strTensorType, 可选) — 如果设置,将返回 tensors 而不是 python 整数列表。可接受的值为:

    • 'tf':返回 TensorFlow tf.constant 对象。
    • 'pt':返回 PyTorch torch.Tensor 对象。
    • 'np':返回 Numpy np.ndarray 对象。
  • sampling_rate (int, 可选) — 对 raw_speech 输入进行采样的采样率。强烈建议在前向调用时传递 sampling_rate 以防止静默错误。
  • padding_value (float, 可选, 默认为 0.0) —

对一个或多个序列进行特征化和模型准备的主要方法。

Wav2Vec2Processor

class transformers.Wav2Vec2Processor

< >

( feature_extractor tokenizer )

参数

构建 Wav2Vec2 processor,它将 Wav2Vec2 特征提取器和 Wav2Vec2 CTC tokenizer 包装到单个 processor 中。

Wav2Vec2Processor 提供了 Wav2Vec2FeatureExtractorPreTrainedTokenizer 的所有功能。 有关更多信息,请参阅 call()decode() 的文档字符串。

__call__

< >

( audio: typing.Union[ForwardRef('np.ndarray'), ForwardRef('torch.Tensor'), typing.List[ForwardRef('np.ndarray')], typing.List[ForwardRef('torch.Tensor')]] = None text: typing.Union[str, typing.List[str], NoneType] = None images = None videos = None **kwargs: typing_extensions.Unpack[transformers.models.wav2vec2.processing_wav2vec2.Wav2Vec2ProcessorKwargs] )

在正常模式下使用时,此方法将其所有参数转发到 Wav2Vec2FeatureExtractor 的 call() 并返回其输出。 如果在 as_target_processor() 上下文中使用,此方法将其所有参数转发到 PreTrainedTokenizer 的 call()。 有关更多信息,请参阅上述两种方法的文档字符串。

pad

< >

( *args **kwargs )

在正常模式下使用时,此方法将其所有参数转发到 Wav2Vec2FeatureExtractor 的 pad() 并返回其输出。 如果在 as_target_processor() 上下文中使用,此方法将其所有参数转发到 PreTrainedTokenizer 的 pad()。 有关更多信息,请参阅上述两种方法的文档字符串。

from_pretrained

< >

( pretrained_model_name_or_path **kwargs )

save_pretrained

< >

( save_directory push_to_hub: bool = False **kwargs )

参数

  • save_directory (stros.PathLike) — 功能提取器 JSON 文件和分词器文件将被保存到的目录(如果目录不存在,则会创建)。
  • push_to_hub (bool, 可选, 默认为 False) — 是否在保存模型后将其推送到 Hugging Face 模型中心。 您可以使用 repo_id 指定要推送到的存储库(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(特征提取器、分词器...)的属性保存在指定目录中,以便可以使用 from_pretrained() 方法重新加载。

此类方法只是调用 save_pretrained()save_pretrained()。 有关更多信息,请参阅上述方法的文档字符串。

batch_decode

< >

( *args **kwargs )

此方法将其所有参数转发到 PreTrainedTokenizer 的 batch_decode()。 有关更多信息,请参阅此方法的文档字符串。

decode

< >

( *args **kwargs )

此方法将其所有参数转发到 PreTrainedTokenizer 的 decode()。 有关更多信息,请参阅此方法的文档字符串。

Wav2Vec2ProcessorWithLM

class transformers.Wav2Vec2ProcessorWithLM

< >

( feature_extractor: FeatureExtractionMixin tokenizer: PreTrainedTokenizerBase decoder: BeamSearchDecoderCTC )

参数

构建一个 Wav2Vec2 处理器,它将 Wav2Vec2 特征提取器、Wav2Vec2 CTC 分词器和一个支持语言模型的解码器包装到单个处理器中,用于语言模型增强的语音识别解码。

__call__

< >

( *args **kwargs )

在正常模式下使用时,此方法将其所有参数转发到特征提取器的 __call__() 并返回其输出。 如果在 as_target_processor() 上下文中使用,此方法将其所有参数转发到 Wav2Vec2CTCTokenizer 的 call()。 有关更多信息,请参阅上述两种方法的文档字符串。

pad

< >

( *args **kwargs )

在正常模式下使用时,此方法将其所有参数转发到特征提取器的 ~FeatureExtractionMixin.pad 并返回其输出。 如果在 as_target_processor() 上下文中使用,此方法将其所有参数转发到 Wav2Vec2CTCTokenizer 的 pad()。 有关更多信息,请参阅上述两种方法的文档字符串。

from_pretrained

< >

( pretrained_model_name_or_path **kwargs )

参数

  • pretrained_model_name_or_path (stros.PathLike) — 可以是以下之一:

    • 一个字符串,即托管在 huggingface.co 的模型仓库中的预训练 feature_extractor 的模型 ID
    • 一个目录的路径,其中包含使用 save_pretrained() 方法保存的特征提取器文件,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 SequenceFeatureExtractorPreTrainedTokenizer 的其他关键字参数

从预训练的 Wav2Vec2 处理器实例化 Wav2Vec2ProcessorWithLM

此类方法只是调用特征提取器的 from_pretrained()、Wav2Vec2CTCTokenizer 的 from_pretrained()pyctcdecode.BeamSearchDecoderCTC.load_from_hf_hub

有关更多信息,请参阅上述方法的文档字符串。

save_pretrained

< >

( save_directory )

batch_decode

< >

( logits: ndarray pool: typing.Optional[<bound method BaseContext.Pool of <multiprocessing.context.DefaultContext object at 0x7f79c4609360>>] = None num_processes: typing.Optional[int] = None beam_width: typing.Optional[int] = None beam_prune_logp: typing.Optional[float] = None token_min_logp: typing.Optional[float] = None hotwords: typing.Optional[typing.Iterable[str]] = None hotword_weight: typing.Optional[float] = None alpha: typing.Optional[float] = None beta: typing.Optional[float] = None unk_score_offset: typing.Optional[float] = None lm_score_boundary: typing.Optional[bool] = None output_word_offsets: bool = False n_best: int = 1 )

参数

  • logits (np.ndarray) — 模型的 logits 输出向量,表示每个 token 的对数概率。
  • pool (multiprocessing.Pool, 可选) — 可选的用户管理的池。 如果未设置,将自动创建和关闭一个池。 池应在 Wav2Vec2ProcessorWithLM 之后实例化。 否则,LM 将不可用于池的子进程。

    目前,仅可以使用使用“fork”上下文创建的池。 如果传递了“spawn”池,则会忽略它,而改用顺序解码。

  • num_processes (int, optional) — 如果未设置 pool,则该函数应并行化的进程数。 默认为可用 CPU 的数量。
  • beam_width (int, optional) — 解码每一步的最大束数量。 默认为 pyctcdecode 的 DEFAULT_BEAM_WIDTH。
  • beam_prune_logp (int, optional) — 比最佳束差很多的束将被剪枝。 默认为 pyctcdecode 的 DEFAULT_PRUNE_LOGP。
  • token_min_logp (int, optional) — 低于此 logp 的 tokens 将被跳过,除非它们是帧的 argmax。 默认为 pyctcdecode 的 DEFAULT_MIN_TOKEN_LOGP。
  • hotwords (List[str], optional) — 具有额外重要性的单词列表,可以是 LM 的 OOV
  • hotword_weight (int, optional) — 热词重要性的权重因子。 默认为 pyctcdecode 的 DEFAULT_HOTWORD_WEIGHT。
  • alpha (float, optional) — 浅层融合期间语言模型的权重
  • beta (float, optional) — 用于评分期间长度分数调整的权重
  • unk_score_offset (float, optional) — 未知 tokens 的对数分数偏移量
  • lm_score_boundary (bool, optional) — 是否让 kenlm 在评分时考虑边界
  • output_word_offsets (bool, optional, defaults to False) — 是否输出单词偏移量。 单词偏移量可以与采样率和模型下采样率结合使用,以计算转录单词的时间戳。
  • n_best (int, optional, defaults to 1) — 要返回的最佳假设数。 如果 n_best 大于 1,则返回的 text 将是字符串列表的列表,logit_score 将是浮点数列表的列表,而 lm_score 将是浮点数列表的列表,其中外部列表的长度将对应于批次大小,内部列表的长度将对应于返回的假设数。 该值应 >= 1。

    请查看 decode() 的示例,以更好地理解如何使用 output_word_offsetsbatch_decode() 的工作方式与批量输出相同。

使用语言模型支持批量解码输出 logits 为音频转录。

此函数使用 Python 的多进程处理。 目前,多进程处理仅在 Unix 系统上可用(请参阅此 issue)。

如果要解码多个批次,请考虑创建 Pool 并将其传递给 batch_decode。 否则,batch_decode 将非常慢,因为它会为每次调用创建一个新的 Pool。 请参阅下面的用法示例。

示例:请参阅 解码多个音频

decode

< >

( logits: ndarray beam_width: typing.Optional[int] = None beam_prune_logp: typing.Optional[float] = None token_min_logp: typing.Optional[float] = None hotwords: typing.Optional[typing.Iterable[str]] = None hotword_weight: typing.Optional[float] = None alpha: typing.Optional[float] = None beta: typing.Optional[float] = None unk_score_offset: typing.Optional[float] = None lm_score_boundary: typing.Optional[bool] = None output_word_offsets: bool = False n_best: int = 1 )

参数

  • logits (np.ndarray) — 模型的 logits 输出向量,表示每个 token 的对数概率。
  • beam_width (int, optional) — 解码每一步的最大束数量。 默认为 pyctcdecode 的 DEFAULT_BEAM_WIDTH。
  • beam_prune_logp (int, optional) — 用于剪枝的阈值,将对数概率小于 best_beam_logp + beam_prune_logp 的束剪枝。 该值应 <= 0。 默认为 pyctcdecode 的 DEFAULT_PRUNE_LOGP。
  • token_min_logp (int, optional) — 对数概率低于 token_min_logp 的 tokens 将被跳过,除非它们是 utterance 的最大对数概率。 默认为 pyctcdecode 的 DEFAULT_MIN_TOKEN_LOGP。
  • hotwords (List[str], optional) — 具有额外重要性的单词列表,可以从 LM 的词汇表中缺失,例如 [“huggingface”]
  • hotword_weight (int, optional) — 提升热词分数的权重乘数。 默认为 pyctcdecode 的 DEFAULT_HOTWORD_WEIGHT。
  • alpha (float, optional) — 浅层融合期间语言模型的权重
  • beta (float, optional) — 用于评分期间长度分数调整的权重
  • unk_score_offset (float, optional) — 未知 tokens 的对数分数偏移量
  • lm_score_boundary (bool, optional) — 是否让 kenlm 在评分时考虑边界
  • output_word_offsets (bool, optional, defaults to False) — 是否输出单词偏移量。 单词偏移量可以与采样率和模型下采样率结合使用,以计算转录单词的时间戳。
  • n_best (int, optional, defaults to 1) — 要返回的最佳假设数。 如果 n_best 大于 1,则返回的 text 将是字符串列表,logit_score 将是浮点数列表,而 lm_score 将是浮点数列表,其中这些列表的长度将对应于返回的假设数。 该值应 >= 1。

    请查看下面的示例,以更好地理解如何使用 output_word_offsets

使用语言模型支持解码输出 logits 为音频转录。

示例

>>> # Let's see how to retrieve time steps for a model
>>> from transformers import AutoTokenizer, AutoProcessor, AutoModelForCTC
>>> from datasets import load_dataset
>>> import datasets
>>> import torch

>>> # import model, feature extractor, tokenizer
>>> model = AutoModelForCTC.from_pretrained("patrickvonplaten/wav2vec2-base-100h-with-lm")
>>> processor = AutoProcessor.from_pretrained("patrickvonplaten/wav2vec2-base-100h-with-lm")

>>> # load first sample of English common_voice
>>> dataset = load_dataset("mozilla-foundation/common_voice_11_0", "en", split="train", streaming=True, trust_remote_code=True)
>>> dataset = dataset.cast_column("audio", datasets.Audio(sampling_rate=16_000))
>>> dataset_iter = iter(dataset)
>>> sample = next(dataset_iter)

>>> # forward sample through model to get greedily predicted transcription ids
>>> input_values = processor(sample["audio"]["array"], return_tensors="pt").input_values
>>> with torch.no_grad():
...     logits = model(input_values).logits[0].cpu().numpy()

>>> # retrieve word stamps (analogous commands for `output_char_offsets`)
>>> outputs = processor.decode(logits, output_word_offsets=True)
>>> # compute `time_offset` in seconds as product of downsampling ratio and sampling_rate
>>> time_offset = model.config.inputs_to_logits_ratio / processor.feature_extractor.sampling_rate

>>> word_offsets = [
...     {
...         "word": d["word"],
...         "start_time": round(d["start_offset"] * time_offset, 2),
...         "end_time": round(d["end_offset"] * time_offset, 2),
...     }
...     for d in outputs.word_offsets
... ]
>>> # compare word offsets with audio `en_train_0/common_voice_en_19121553.mp3` online on the dataset viewer:
>>> # https://huggingface.co/datasets/mozilla-foundation/common_voice_11_0/viewer/en
>>> word_offsets[:4]
[{'word': 'THE', 'start_time': 0.68, 'end_time': 0.78}, {'word': 'TRACK', 'start_time': 0.88, 'end_time': 1.1}, {'word': 'APPEARS', 'start_time': 1.18, 'end_time': 1.66}, {'word': 'ON', 'start_time': 1.86, 'end_time': 1.92}]

解码多个音频

如果您计划解码多个批次的音频,则应考虑使用 batch_decode() 并传递实例化的 multiprocessing.Pool。 否则,batch_decode() 的性能将比单独为每个音频调用 decode() 慢,因为它会在每次调用内部实例化一个新的 Pool。 请参阅下面的示例

>>> # Let's see how to use a user-managed pool for batch decoding multiple audios
>>> from multiprocessing import get_context
>>> from transformers import AutoTokenizer, AutoProcessor, AutoModelForCTC
>>> from datasets import load_dataset
>>> import datasets
>>> import torch

>>> # import model, feature extractor, tokenizer
>>> model = AutoModelForCTC.from_pretrained("patrickvonplaten/wav2vec2-base-100h-with-lm").to("cuda")
>>> processor = AutoProcessor.from_pretrained("patrickvonplaten/wav2vec2-base-100h-with-lm")

>>> # load example dataset
>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> dataset = dataset.cast_column("audio", datasets.Audio(sampling_rate=16_000))


>>> def map_to_array(batch):
...     batch["speech"] = batch["audio"]["array"]
...     return batch


>>> # prepare speech data for batch inference
>>> dataset = dataset.map(map_to_array, remove_columns=["audio"])


>>> def map_to_pred(batch, pool):
...     inputs = processor(batch["speech"], sampling_rate=16_000, padding=True, return_tensors="pt")
...     inputs = {k: v.to("cuda") for k, v in inputs.items()}

...     with torch.no_grad():
...         logits = model(**inputs).logits

...     transcription = processor.batch_decode(logits.cpu().numpy(), pool).text
...     batch["transcription"] = transcription
...     return batch


>>> # note: pool should be instantiated *after* `Wav2Vec2ProcessorWithLM`.
>>> #       otherwise, the LM won't be available to the pool's sub-processes
>>> # select number of processes and batch_size based on number of CPU cores available and on dataset size
>>> with get_context("fork").Pool(processes=2) as pool:
...     result = dataset.map(
...         map_to_pred, batched=True, batch_size=2, fn_kwargs={"pool": pool}, remove_columns=["speech"]
...     )

>>> result["transcription"][:2]
['MISTER QUILTER IS THE APOSTLE OF THE MIDDLE CLASSES AND WE ARE GLAD TO WELCOME HIS GOSPEL', "NOR IS MISTER COULTER'S MANNER LESS INTERESTING THAN HIS MATTER"]

Wav2Vec2 特定输出

class transformers.models.wav2vec2_with_lm.processing_wav2vec2_with_lm.Wav2Vec2DecoderWithLMOutput

< >

( text: typing.Union[typing.List[typing.List[str]], typing.List[str], str] logit_score: typing.Union[typing.List[typing.List[float]], typing.List[float], float] = None lm_score: typing.Union[typing.List[typing.List[float]], typing.List[float], float] = None word_offsets: typing.Union[typing.List[typing.List[typing.List[typing.Dict[str, typing.Union[int, str]]]]], typing.List[typing.List[typing.Dict[str, typing.Union[int, str]]]], typing.List[typing.Dict[str, typing.Union[int, str]]]] = None )

参数

  • text (字符串列表 strstr) — 从文本中解码的 logits。通常是语音转录。
  • logit_score (浮点数列表 floatfloat) — 与生成的文本相关的波束的总 logits 分数。
  • lm_score (浮点数列表 float) — 与生成的文本相关的波束的融合 lm_score。
  • word_offsets (List[Dict[str, Union[int, str]]] 列表或 List[Dict[str, Union[int, str]]] 列表) — 解码单词的偏移量。结合采样率和模型下采样率,词偏移量可用于计算每个词的时间戳。

Wav2Vec2DecoderWithLM 的输出类型,带有转录。

class transformers.modeling_outputs.Wav2Vec2BaseModelOutput

< >

( last_hidden_state: FloatTensor = None extract_features: FloatTensor = None hidden_states: typing.Optional[typing.Tuple[torch.FloatTensor, ...]] = None attentions: typing.Optional[typing.Tuple[torch.FloatTensor, ...]] = None )

参数

  • last_hidden_state (形状为 (batch_size, sequence_length, hidden_size)torch.FloatTensor) — 模型最后一层的输出处的隐藏状态序列。
  • extract_features (形状为 (batch_size, sequence_length, conv_dim[-1])torch.FloatTensor) — 模型最后一个卷积层的提取特征向量序列。
  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(每个嵌入输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出端的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=Trueconfig.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,用于计算自注意力头中的加权平均值。

已使用 Wav2Vec2 损失目标训练的模型的基类。

class transformers.models.wav2vec2.modeling_wav2vec2.Wav2Vec2ForPreTrainingOutput

< >

( loss: typing.Optional[torch.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 contrastive_loss: typing.Optional[torch.FloatTensor] = None diversity_loss: typing.Optional[torch.FloatTensor] = None )

参数

  • loss (可选, 当传递 sample_negative_indices 时返回, 形状为 (1,)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)torch.FloatTensor) — 模型隐藏状态投影到 config.proj_codevector_dim,可用于预测被掩码的投影量化状态。
  • projected_quantized_states (形状为 (batch_size, sequence_length, config.proj_codevector_dim)torch.FloatTensor) — 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。
  • hidden_states (tuple(torch.FloatTensor), 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — torch.FloatTensor 的元组(每个嵌入输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出端的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(torch.FloatTensor), 可选, 当传递 output_attentions=Trueconfig.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,用于计算自注意力头中的加权平均值。

  • contrastive_loss (可选, 当传递 sample_negative_indices 时返回, 形状为 (1,)torch.FloatTensor) — 对比损失 (L_m),如 官方论文 中所述。
  • diversity_loss (可选, 当传递 sample_negative_indices 时返回, 形状为 (1,)torch.FloatTensor) — 多样性损失 (L_d),如 官方论文 中所述。

Wav2Vec2ForPreTraining 的输出类型,具有潜在的隐藏状态和注意力。

class transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2BaseModelOutput

< >

( last_hidden_state: Array = None extract_features: Array = None hidden_states: typing.Optional[typing.Tuple[jax.Array]] = None attentions: typing.Optional[typing.Tuple[jax.Array]] = None )

参数

  • last_hidden_state (形状为 (batch_size, sequence_length, hidden_size)jnp.ndarray) — 模型最后一层的输出处的隐藏状态序列。
  • extract_features (形状为 (batch_size, sequence_length, last_conv_dim)jnp.ndarray) — 模型最后一个卷积层的提取特征向量序列,其中 last_conv_dim 是最后一个卷积层的维度。
  • hidden_states (tuple(jnp.ndarray), 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — jnp.ndarray 的元组(每个嵌入输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出端的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(jnp.ndarray), 可选, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — jnp.ndarray 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,用于计算自注意力头中的加权平均值。

FlaxWav2Vec2BaseModelOutput 的输出类型,具有潜在的隐藏状态和注意力。

replace (替换)

< >

( **updates )

“返回一个新对象,该对象使用新值替换指定的字段。

class transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2ForPreTrainingOutput

< >

( projected_states: Array = None projected_quantized_states: Array = None codevector_perplexity: Array = None hidden_states: typing.Optional[typing.Tuple[jax.Array]] = None attentions: typing.Optional[typing.Tuple[jax.Array]] = None )

参数

  • loss (可选, 模型在训练模式下返回, jnp.ndarray 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 (jnp.ndarray 形状为 (batch_size, sequence_length, config.proj_codevector_dim)) — 模型隐藏状态投影到 config.proj_codevector_dim 维度,可用于预测 masked projected quantized states。
  • projected_quantized_states (jnp.ndarray 形状为 (batch_size, sequence_length, config.proj_codevector_dim)) — 量化的提取特征向量投影到 config.proj_codevector_dim 维度,表示对比损失的正目标向量。
  • hidden_states (tuple(jnp.ndarray), 可选, 当传递 output_hidden_states=Trueconfig.output_hidden_states=True 时返回) — jnp.ndarray 的元组 (每个层的输出以及初始嵌入输出各一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(jnp.ndarray), 可选, 当传递 output_attentions=Trueconfig.output_attentions=True 时返回) — jnp.ndarray 的元组 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

FlaxWav2Vec2ForPreTrainingOutput 的输出类型,可能包含隐藏状态和注意力。

replace (替换)

< >

( **updates )

“返回一个新对象,该对象使用新值替换指定的字段。

Pytorch
隐藏 Pytorch 内容

Wav2Vec2Model

class transformers.Wav2Vec2Model

< >

( config: Wav2Vec2Config )

参数

  • config (Wav2Vec2Config) — 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相关的权重,仅加载配置。查看 from_pretrained() 方法加载模型权重。

裸 Wav2Vec2 模型 Transformer,输出原始隐藏状态,顶部没有任何特定的 head。Wav2Vec2 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

此模型继承自 PreTrainedModel。查看超类文档,了解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 模块,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( 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.Wav2Vec2BaseModelOutputtuple(torch.FloatTensor)

参数

  • input_values (torch.FloatTensor 形状为 (batch_size, sequence_length)) — 输入原始语音波形的浮点值。可以通过将 .flac.wav 音频文件加载到 List[float] 类型或 numpy.ndarray 类型的数组中来获得值,例如 通过 soundfile 库 (pip install soundfile)。为了准备 input_values 数组,应该使用 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 形状为 (batch_size, sequence_length), 可选) — 掩码,以避免在 padding 标记索引上执行卷积和注意力机制。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。

    什么是注意力掩码?

    只有当对应的 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 wav2vec2-base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 应该简单地用 0 填充并传递,而无需 attention_mask。请注意,这些模型的结果也会略有不同,具体取决于 input_values 是否填充。

  • 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
  • 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
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是纯元组。

返回值

transformers.modeling_outputs.Wav2Vec2BaseModelOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.Wav2Vec2BaseModelOutputtorch.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 (Wav2Vec2Config) 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])) — 模型最后一层卷积层的提取特征向量序列。

  • 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 (每个层的输出以及初始嵌入输出各一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • 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 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

Wav2Vec2Model 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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, Wav2Vec2Model
>>> 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("facebook/wav2vec2-base-960h")
>>> model = Wav2Vec2Model.from_pretrained("facebook/wav2vec2-base-960h")

>>> # 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]

Wav2Vec2ForCTC

class transformers.Wav2Vec2ForCTC

< >

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

参数

  • config (Wav2Vec2Config) — 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相关的权重,仅加载配置。查看 from_pretrained() 方法加载模型权重。
  • target_lang (str, 可选) — 适配器权重的语言 ID。适配器权重以 adapter.<lang>.safetensors 或 adapter.<lang>.bin 格式存储。仅在使用带有适配器的 Wav2Vec2ForCTC 实例时相关。默认使用 ‘eng’。

带有用于 Connectionist Temporal Classification (CTC) 的 语言建模 head 的 Wav2Vec2 模型。Wav2Vec2 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

此模型继承自 PreTrainedModel。查看超类文档,了解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 模块,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( 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.CausalLMOutputtuple(torch.FloatTensor)

参数

  • input_values (torch.FloatTensor 形状为 (batch_size, sequence_length)) — 输入原始语音波形的浮点值。可以通过将 .flac.wav 音频文件加载到 List[float] 类型或 numpy.ndarray 类型的数组中来获得值,例如 通过 soundfile 库 (pip install soundfile)。为了准备 input_values 数组,应该使用 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 形状为 (batch_size, sequence_length), 可选) — 掩码,以避免在 padding 标记索引上执行卷积和注意力机制。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。

    什么是注意力掩码?

    只有当对应的 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 wav2vec2-base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 应该简单地用 0 填充并传递,而无需 attention_mask。请注意,这些模型的结果也会略有不同,具体取决于 input_values 是否填充。

  • output_attentions (bool, optional) — 是否返回所有注意力层的注意力张量。详见返回张量下的 attentions
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。详见返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
  • labels (形状为 (batch_size, target_length)torch.LongTensor, 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 的标签将被忽略(掩码),损失仅针对 [0, ..., config.vocab_size - 1] 中的标签计算。

返回值

transformers.modeling_outputs.CausalLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.CausalLMOutputtorch.FloatTensor 的元组(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 (Wav2Vec2Config) 和输入。

  • loss (形状为 (1,)torch.FloatTensor, optional, 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)torch.FloatTensor) — 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(如果模型有嵌入层,则为嵌入输出一个,加上每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每层输出的隐藏状态,加上可选的初始嵌入输出。

  • 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 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

Wav2Vec2ForCTC 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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, Wav2Vec2ForCTC
>>> 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("facebook/wav2vec2-base-960h")
>>> model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-960h")

>>> # audio file is decoded on the fly
>>> inputs = processor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")
>>> with torch.no_grad():
...     logits = model(**inputs).logits
>>> predicted_ids = torch.argmax(logits, dim=-1)

>>> # transcribe speech
>>> transcription = processor.batch_decode(predicted_ids)
>>> transcription[0]
'MISTER QUILTER IS THE 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)
53.48

load_adapter

< >

( target_lang: str force_load = True **kwargs )

参数

  • target_lang (str) — 必须是现有适配器权重的语言 ID。适配器权重以 adapter.<lang>.safetensorsadapter.<lang>.bin 格式存储
  • force_load (bool, 默认为 True) — 即使 target_langself.target_lang 匹配,是否仍应加载权重。
  • cache_dir (Union[str, os.PathLike], optional) — 下载的预训练模型配置应缓存到的目录路径,如果不想使用标准缓存。
  • force_download (bool, optional, 默认为 False) — 是否强制(重新)下载模型权重和配置文件,覆盖已存在的缓存版本。
  • resume_download — 已弃用并忽略。现在所有下载在可能的情况下默认恢复。将在 Transformers v5 中移除。
  • proxies (Dict[str, str], optional) — 要按协议或端点使用的代理服务器字典,例如,{'http': 'foo.bar:3128', 'http://hostname': 'foo.bar:4012'}。代理用于每个请求。
  • local_files_only(bool, optional, 默认为 False) — 是否仅查看本地文件(即,不尝试下载模型)。
  • token (strbool, optional) — 用作远程文件 HTTP Bearer 授权的 token。如果为 True 或未指定,将使用运行 huggingface-cli login 时生成的 token(存储在 ~/.huggingface 中)。
  • revision (str, optional, 默认为 "main") — 要使用的特定模型版本。它可以是分支名称、标签名称或提交 ID,因为我们使用基于 git 的系统在 huggingface.co 上存储模型和其他工件,因此 revision 可以是 git 允许的任何标识符。

    要测试您在 Hub 上创建的拉取请求,您可以传递 revision="refs/pr/<pr_number>"

  • mirror (str, optional) — 镜像源以加速在中国的下载。如果您来自中国并且遇到访问问题,您可以设置此选项来解决它。请注意,我们不保证及时性或安全性。有关更多信息,请参阅镜像站点。

从预训练的适配器模型加载语言适配器模型。

激活特殊的 “离线模式” 以在防火墙环境中使用此方法。

示例

>>> from transformers import Wav2Vec2ForCTC, AutoProcessor

>>> ckpt = "facebook/mms-1b-all"
>>> processor = AutoProcessor.from_pretrained(ckpt)
>>> model = Wav2Vec2ForCTC.from_pretrained(ckpt, target_lang="eng")
>>> # set specific language
>>> processor.tokenizer.set_target_lang("spa")
>>> model.load_adapter("spa")

Wav2Vec2ForSequenceClassification

class transformers.Wav2Vec2ForSequenceClassification

< >

( config )

参数

  • config (Wav2Vec2Config) — 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。

Wav2Vec2 模型,顶部带有序列分类头(池化输出之上的线性层),用于诸如 SUPERB 关键词识别之类的任务。

Wav2Vec2 由 Alexei Baevski、Henry Zhou、Abdelrahman Mohamed 和 Michael Auli 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出。

此模型继承自 PreTrainedModel。查看超类文档,了解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 模块,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( 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.SequenceClassifierOutputtuple(torch.FloatTensor)

参数

  • input_values (形状为 (batch_size, sequence_length)torch.FloatTensor) — 输入原始语音波形的浮点值。值可以通过将 .flac.wav 音频文件加载到 List[float]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 (形状为 (batch_size, sequence_length)torch.LongTensor, 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:

    • 1 表示未掩码的 token,
    • 0 表示已掩码的 token。

    什么是注意力掩码?

    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 wav2vec2-base,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。详见返回张量下的 attentions
  • output_hidden_states (bool, optional) — 是否返回所有层的隐藏状态。详见返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。
  • labels (形状为 (batch_size,)torch.LongTensor, 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] 中。如果 config.num_labels == 1,则计算回归损失(均方损失)。如果 config.num_labels > 1,则计算分类损失(交叉熵)。

返回值

transformers.modeling_outputs.SequenceClassifierOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.SequenceClassifierOutputtorch.FloatTensor 的元组(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 (Wav2Vec2Config) 和输入。

  • loss (torch.FloatTensor,形状为 (1,)可选,当提供 labels 时返回) — 分类(或回归,如果 config.num_labels==1)损失。

  • logits (torch.FloatTensor,形状为 (batch_size, config.num_labels)) — 分类(或回归,如果 config.num_labels==1)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(如果模型有嵌入层,则为嵌入输出一个,加上每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每层输出的隐藏状态,加上可选的初始嵌入输出。

  • 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 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

Wav2Vec2ForSequenceClassification 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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoFeatureExtractor, Wav2Vec2ForSequenceClassification
>>> 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("superb/wav2vec2-base-superb-ks")
>>> model = Wav2Vec2ForSequenceClassification.from_pretrained("superb/wav2vec2-base-superb-ks")

>>> # audio file is decoded on the fly
>>> inputs = feature_extractor(dataset[0]["audio"]["array"], sampling_rate=sampling_rate, return_tensors="pt")

>>> with torch.no_grad():
...     logits = model(**inputs).logits

>>> predicted_class_ids = torch.argmax(logits, dim=-1).item()
>>> predicted_label = model.config.id2label[predicted_class_ids]
>>> predicted_label
'_unknown_'

>>> # compute loss - target_label is e.g. "down"
>>> target_label = model.config.id2label[0]
>>> inputs["labels"] = torch.tensor([model.config.label2id[target_label]])
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
6.54

Wav2Vec2ForAudioFrameClassification

class transformers.Wav2Vec2ForAudioFrameClassification

< >

( config )

参数

  • config (Wav2Vec2Config) — 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。

带有帧分类头的 Wav2Vec2 模型,用于诸如说话人日志之类的任务。

Wav2Vec2 由 Alexei Baevski、Henry Zhou、Abdelrahman Mohamed 和 Michael Auli 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出。

此模型继承自 PreTrainedModel。查看超类文档,了解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 模块,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( 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.TokenClassifierOutputtuple(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。值可以通过将 .flac.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)。为了将数组准备成 input_values,应该使用 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,形状为 (batch_size, sequence_length)可选) — 掩码,用于避免在填充标记索引上执行卷积和注意力。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。

    什么是注意力掩码?

    只有当相应的 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 wav2vec2-base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 是否填充而产生略有不同的结果。

  • 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
  • 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
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (torch.LongTensor,形状为 (batch_size,)可选) — 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 中。如果 config.num_labels == 1,则计算回归损失(均方误差损失);如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回值

transformers.modeling_outputs.TokenClassifierOutputtuple(torch.FloatTensor)

transformers.modeling_outputs.TokenClassifierOutputtorch.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 (Wav2Vec2Config) 和输入。

  • loss (torch.FloatTensor,形状为 (1,)可选,当提供 labels 时返回) — 分类损失。

  • logits (torch.FloatTensor,形状为 (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(如果模型有嵌入层,则为嵌入输出一个,加上每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每层输出的隐藏状态,加上可选的初始嵌入输出。

  • 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 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

Wav2Vec2ForAudioFrameClassification 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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoFeatureExtractor, Wav2Vec2ForAudioFrameClassification
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation", trust_remote_code=True)
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("anton-l/wav2vec2-base-superb-sd")
>>> model = Wav2Vec2ForAudioFrameClassification.from_pretrained("anton-l/wav2vec2-base-superb-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]

Wav2Vec2ForXVector

class transformers.Wav2Vec2ForXVector

< >

( config )

参数

  • config (Wav2Vec2Config) — 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 XVector 特征提取头的 Wav2Vec2 模型,用于诸如说话人验证之类的任务。

Wav2Vec2 由 Alexei Baevski、Henry Zhou、Abdelrahman Mohamed 和 Michael Auli 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出。

此模型继承自 PreTrainedModel。查看超类文档,了解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 模块,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( 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.XVectorOutputtuple(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。值可以通过将 .flac.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)。为了将数组准备成 input_values,应该使用 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,形状为 (batch_size, sequence_length)可选) — 掩码,用于避免在填充标记索引上执行卷积和注意力。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。

    什么是注意力掩码?

    只有当相应的 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 wav2vec2-base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 是否填充而产生略有不同的结果。

  • 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
  • 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
  • return_dict (bool可选) — 是否返回 ModelOutput 而不是普通元组。
  • labels (torch.LongTensor,形状为 (batch_size,)可选) — 用于计算序列分类/回归损失的标签。索引应在 [0, ..., config.num_labels - 1] 中。如果 config.num_labels == 1,则计算回归损失(均方误差损失);如果 config.num_labels > 1,则计算分类损失(交叉熵损失)。

返回值

transformers.modeling_outputs.XVectorOutputtuple(torch.FloatTensor)

一个 transformers.modeling_outputs.XVectorOutput 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 (Wav2Vec2Config) 和输入。

  • loss (torch.FloatTensor,形状为 (1,)可选,当提供 labels 时返回) — 分类损失。

  • logits (形状为 (batch_size, config.xvector_output_dim)torch.FloatTensor) — AMSoftmax 之前的分类隐藏状态。

  • embeddings (形状为 (batch_size, config.xvector_output_dim)torch.FloatTensor) — 用于基于向量相似度检索的 utterance embeddings(话语嵌入)。

  • 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 (每个层的输出以及初始嵌入输出各一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • 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 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

Wav2Vec2ForXVector 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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoFeatureExtractor, Wav2Vec2ForXVector
>>> from datasets import load_dataset
>>> import torch

>>> dataset = load_dataset("hf-internal-testing/librispeech_asr_demo", "clean", split="validation", trust_remote_code=True)
>>> dataset = dataset.sort("id")
>>> sampling_rate = dataset.features["audio"].sampling_rate

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("anton-l/wav2vec2-base-superb-sv")
>>> model = Wav2Vec2ForXVector.from_pretrained("anton-l/wav2vec2-base-superb-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)
0.98

Wav2Vec2ForPreTraining

class transformers.Wav2Vec2ForPreTraining

< >

( config: Wav2Vec2Config )

参数

  • config (Wav2Vec2Config) — 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相关的权重,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 Wav2Vec2 模型。Wav2Vec2 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中被提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

此模型继承自 PreTrainedModel。查看超类文档,了解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 模块,并参考 PyTorch 文档了解所有与通用用法和行为相关的事项。

forward

< >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None mask_time_indices: typing.Optional[torch.BoolTensor] = None sampled_negative_indices: typing.Optional[torch.BoolTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) transformers.models.wav2vec2.modeling_wav2vec2.Wav2Vec2ForPreTrainingOutputtuple(torch.FloatTensor)

参数

  • input_values (形状为 (batch_size, sequence_length)torch.FloatTensor) — 输入原始语音波形的浮点值。值可以通过将 .flac.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)。为了将数组准备成 input_values,应该使用 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 (形状为 (batch_size, sequence_length)torch.LongTensor, 可选) — 用于避免在 padding token 索引上执行卷积和注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 代表未被掩码的 token,
    • 0 代表被掩码的 token。

    什么是 attention masks(注意力掩码)?

    只有当对应的 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 wav2vec2-base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 填充并在不使用 attention_mask 的情况下传递。请注意,这些模型的结果也会因 input_values 是否填充而略有不同。

  • output_attentions (bool, 可选) — 是否返回所有注意力层的 attentions 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 hidden states。 有关更多详细信息,请参阅返回张量下的 hidden_states
  • return_dict (bool, 可选) — 是否返回一个 ModelOutput 而不是一个普通元组。
  • mask_time_indices (形状为 (batch_size, sequence_length)torch.BoolTensor, 可选) — 用于对比损失的掩码提取特征的索引。当处于训练模式时,模型学习预测 config.proj_codevector_dim 空间中被掩码的提取特征。
  • sampled_negative_indices (形状为 (batch_size, sequence_length, num_negatives)torch.BoolTensor, 可选) — 指示哪些量化的目标向量在对比损失中用作负采样的向量的索引。 预训练的必需输入。

返回值

transformers.models.wav2vec2.modeling_wav2vec2.Wav2Vec2ForPreTrainingOutputtuple(torch.FloatTensor)

一个 transformers.models.wav2vec2.modeling_wav2vec2.Wav2Vec2ForPreTrainingOutput 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 (Wav2Vec2Config) 和输入。

  • loss (可选, 当传递 sample_negative_indices 时返回, 形状为 (1,)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)torch.FloatTensor) — 模型投影到 config.proj_codevector_dim 的 hidden-states,可用于预测被掩码的投影量化状态。

  • projected_quantized_states (形状为 (batch_size, sequence_length, config.proj_codevector_dim)torch.FloatTensor) — 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), 可选, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — torch.FloatTensor 的元组 (每个层的输出以及初始嵌入输出各一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • 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 (每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

  • contrastive_loss (可选, 当传递 sample_negative_indices 时返回, 形状为 (1,)torch.FloatTensor) — 对比损失 (L_m),如 官方论文 中所述。

  • diversity_loss (可选, 当传递 sample_negative_indices 时返回, 形状为 (1,)torch.FloatTensor) — 多样性损失 (L_d),如 官方论文 中所述。

Wav2Vec2ForPreTraining 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,而后者会静默地忽略它们。

示例

>>> import torch
>>> from transformers import AutoFeatureExtractor, Wav2Vec2ForPreTraining
>>> from transformers.models.wav2vec2.modeling_wav2vec2 import _compute_mask_indices, _sample_negative_indices
>>> from datasets import load_dataset

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/wav2vec2-base")
>>> model = Wav2Vec2ForPreTraining.from_pretrained("facebook/wav2vec2-base")

>>> ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
>>> input_values = feature_extractor(ds[0]["audio"]["array"], return_tensors="pt").input_values  # Batch size 1

>>> # compute masked indices
>>> batch_size, raw_sequence_length = input_values.shape
>>> sequence_length = model._get_feat_extract_output_lengths(raw_sequence_length).item()
>>> mask_time_indices = _compute_mask_indices(
...     shape=(batch_size, sequence_length), mask_prob=0.2, mask_length=2
... )
>>> sampled_negative_indices = _sample_negative_indices(
...     features_shape=(batch_size, sequence_length),
...     num_negatives=model.config.num_negatives,
...     mask_time_indices=mask_time_indices,
... )
>>> mask_time_indices = torch.tensor(data=mask_time_indices, device=input_values.device, dtype=torch.long)
>>> sampled_negative_indices = torch.tensor(
...     data=sampled_negative_indices, device=input_values.device, dtype=torch.long
... )

>>> with torch.no_grad():
...     outputs = model(input_values, mask_time_indices=mask_time_indices)

>>> # compute cosine similarity between predicted (=projected_states) and target (=projected_quantized_states)
>>> cosine_sim = torch.cosine_similarity(outputs.projected_states, outputs.projected_quantized_states, dim=-1)

>>> # show that cosine similarity is much higher than random
>>> cosine_sim[mask_time_indices.to(torch.bool)].mean() > 0.5
tensor(True)

>>> # for contrastive loss training model should be put into train mode
>>> model = model.train()
>>> loss = model(
...     input_values, mask_time_indices=mask_time_indices, sampled_negative_indices=sampled_negative_indices
... ).loss
TensorFlow
隐藏 TensorFlow 内容

TFWav2Vec2Model

class transformers.TFWav2Vec2Model

< >

( config: Wav2Vec2Config *inputs **kwargs )

参数

  • config (Wav2Vec2Config) — 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相关的权重,仅加载配置。查看 from_pretrained() 方法来加载模型权重。

Bare TFWav2Vec2 Model transformer,输出原始 hidden-states,顶部没有任何特定的 head。

此模型继承自 TFPreTrainedModel。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、调整输入 embeddings 大小、剪枝 head 等)。

此模型也是 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档,了解与通用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),或者
  • 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,当使用 model.fit() 等方法时,您应该可以“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()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来收集第一个位置参数中的所有输入张量

  • 一个仅包含 input_values 且不包含其他内容的单个张量:model(input_values)
  • 一个长度可变的列表,其中包含一个或多个输入张量,顺序与文档字符串中给出的顺序相同:model([input_values, attention_mask])model([input_values, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个输入张量,与文档字符串中给出的输入名称相关联:model({"input_values": input_values, "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,因为您可以像对待任何其他 Python 函数一样传递输入!

call

< >

( input_values: tf.Tensor attention_mask: tf.Tensor | None = None token_type_ids: tf.Tensor | None = None position_ids: tf.Tensor | None = None head_mask: tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: bool = False ) transformers.modeling_tf_outputs.TFBaseModelOutputtuple(tf.Tensor)

参数

  • input_values (np.ndarray, tf.Tensor, List[tf.Tensor] Dict[str, tf.Tensor]Dict[str, np.ndarray] 并且每个示例都必须具有形状 ({0})) — 词汇表中输入序列 tokens 的索引。

    可以使用 AutoTokenizer 获取索引。 有关详细信息,请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    什么是 input IDs(输入 ID)?

  • attention_mask (形状为 ({0})np.ndarraytf.Tensor, 可选) — 用于避免在 padding token 索引上执行注意力的掩码。掩码值在 [0, 1] 中选择:

    • 1 代表未被掩码的 token,
    • 0 代表被掩码的 token。

    什么是 attention masks(注意力掩码)?

  • token_type_ids (形状为 ({0})np.ndarraytf.Tensor, 可选) — Segment token indices(段 token 索引)用于指示输入的第一个和第二个部分。索引在 [0, 1] 中选择:

    • 0 对应于 sentence A token,
    • 1 对应于 sentence B token。

    什么是 token type IDs(token 类型 ID)?

  • position_ids (np.ndarraytf.Tensor,形状为 ({0})可选) — 位置嵌入中每个输入序列标记的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。

    什么是位置 ID?

  • head_mask (np.ndarraytf.Tensor,形状为 (num_heads,)(num_layers, num_heads)可选) — 用于置空自注意力模块中选定头的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示头是未被掩蔽的
    • 0 表示头是被掩蔽的
  • inputs_embeds (np.ndarraytf.Tensor,形状为 ({0}, hidden_size)可选) — (可选)您可以选择直接传递嵌入表示,而不是传递 input_values。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 input_values 索引转换为关联的向量,这将非常有用。
  • 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。此参数只能在 eager 模式下使用,在 graph 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,请参阅返回张量下的 hidden_states。此参数只能在 eager 模式下使用,在 graph 模式下将使用配置中的值。
  • return_dict (bool可选) — 是否返回一个 ModelOutput 而不是一个普通元组。此参数可以在 eager 模式下使用,在 graph 模式下该值将始终设置为 True。
  • training (bool可选,默认为 False) — 是否在训练模式下使用模型(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.TFBaseModelOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFBaseModelOutput 或一个 tf.Tensor 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 (Wav2Vec2Config) 和输入。

  • last_hidden_state (tf.Tensor,形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层的输出处的隐藏状态序列。

  • hidden_states (tuple(tf.FloatTensor)可选,当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — tf.Tensor 的元组(embeddings 的输出一个,每层的输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • 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(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

TFWav2Vec2Model 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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, TFWav2Vec2Model
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-base-960h")
>>> model = TFWav2Vec2Model.from_pretrained("facebook/wav2vec2-base-960h")


>>> 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)

>>> input_values = processor(ds["speech"][0], return_tensors="tf").input_values  # Batch size 1
>>> hidden_states = model(input_values).last_hidden_state

TFWav2Vec2ForSequenceClassification

class transformers.TFWav2Vec2ForSequenceClassification

< >

( config )

call

< >

( input_values: tf.Tensor attention_mask: tf.Tensor | None = None output_attentions: bool | None = None output_hidden_states: bool | None = None return_dict: bool | None = None labels: tf.Tensor | None = None training: bool = False )

TFWav2Vec2ForCTC

class transformers.TFWav2Vec2ForCTC

< >

( config: Wav2Vec2Config *inputs **kwargs )

参数

  • config (Wav2Vec2Config) — 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 language modeling 头的 TFWav2Vec2 模型,用于 Connectionist Temporal Classification (CTC)。

此模型继承自 TFPreTrainedModel。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、调整输入 embeddings 大小、剪枝 head 等)。

此模型也是 keras.Model 子类。将其用作常规 TF 2.0 Keras 模型,并参考 TF 2.0 文档,了解与通用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),或者
  • 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,当使用 model.fit() 等方法时,您应该可以“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()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来收集第一个位置参数中的所有输入张量

  • 一个仅包含 input_values 且不包含其他内容的单个张量:model(input_values)
  • 一个长度可变的列表,其中包含一个或多个输入张量,顺序与文档字符串中给出的顺序相同:model([input_values, attention_mask])model([input_values, attention_mask, token_type_ids])
  • 一个字典,其中包含一个或多个输入张量,与文档字符串中给出的输入名称相关联:model({"input_values": input_values, "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,因为您可以像对待任何其他 Python 函数一样传递输入!

call

< >

( input_values: tf.Tensor attention_mask: tf.Tensor | None = None token_type_ids: tf.Tensor | None = None position_ids: tf.Tensor | None = None head_mask: tf.Tensor | None = None inputs_embeds: tf.Tensor | None = None output_attentions: Optional[bool] = None labels: tf.Tensor | None = None output_hidden_states: Optional[bool] = None return_dict: Optional[bool] = None training: Optional[bool] = False ) transformers.modeling_tf_outputs.TFCausalLMOutputtuple(tf.Tensor)

参数

  • input_values (np.ndarray, tf.Tensor, List[tf.Tensor] Dict[str, tf.Tensor]Dict[str, np.ndarray],并且每个示例都必须具有形状 ({0})) — 词汇表中输入序列标记的索引。

    可以使用 AutoTokenizer 获取索引。有关详细信息,请参阅 PreTrainedTokenizer.call()PreTrainedTokenizer.encode()

    什么是输入 ID?

  • attention_mask (np.ndarraytf.Tensor,形状为 ({0})可选) — 掩码,以避免对填充标记索引执行注意力机制。掩码值在 [0, 1] 中选择:

    • 1 表示标记未被掩蔽
    • 0 表示标记被掩蔽

    什么是注意力掩码?

  • token_type_ids (np.ndarraytf.Tensor,形状为 ({0})可选) — 段落标记索引,用于指示输入的第一个和第二个部分。索引在 [0, 1] 中选择:

    • 0 对应于 句子 A 标记,
    • 1 对应于 句子 B 标记。

    什么是标记类型 ID?

  • position_ids (np.ndarraytf.Tensor,形状为 ({0})可选) — 位置嵌入中每个输入序列标记的位置索引。在范围 [0, config.max_position_embeddings - 1] 中选择。

    什么是位置 ID?

  • head_mask (np.ndarraytf.Tensor,形状为 (num_heads,)(num_layers, num_heads)可选) — 用于置空自注意力模块中选定头的掩码。掩码值在 [0, 1] 中选择:

    • 1 表示头是未被掩蔽的
    • 0 表示头是被掩蔽的
  • inputs_embeds (np.ndarraytf.Tensor,形状为 ({0}, hidden_size)可选) — (可选)您可以选择直接传递嵌入表示,而不是传递 input_values。如果您希望比模型的内部嵌入查找矩阵更精细地控制如何将 input_values 索引转换为关联的向量,这将非常有用。
  • 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。此参数只能在 eager 模式下使用,在 graph 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,请参阅返回张量下的 hidden_states。此参数只能在 eager 模式下使用,在 graph 模式下将使用配置中的值。
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。此参数可以在 eager 模式下使用,在 graph 模式下,该值将始终设置为 True。
  • training (bool, optional, 默认为 `False`) — 是否在训练模式下使用模型(某些模块如 dropout 模块在训练和评估之间有不同的行为)。
  • labels (tf.Tensornp.ndarray,形状为 (batch_size, sequence_length), optional) — 用于计算掩码语言建模损失的标签。索引应在 [-100, 0, ..., config.vocab_size] 中(参见 input_values 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] 中的标记计算。

返回值

transformers.modeling_tf_outputs.TFCausalLMOutputtuple(tf.Tensor)

一个 transformers.modeling_tf_outputs.TFCausalLMOutputtf.Tensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含各种元素,具体取决于配置 (Wav2Vec2Config) 和输入。

  • loss (tf.Tensor,形状为 (n,), optional, 当提供 labels 时返回) — 语言建模损失(用于下一个 token 预测)。

  • logits (tf.Tensor,形状为 (batch_size, sequence_length, config.vocab_size)) — 语言建模头的预测得分(SoftMax 之前每个词汇表 token 的得分)。

  • hidden_states (tuple(tf.Tensor), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — tf.Tensor 元组(embeddings 输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • 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(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

TFWav2Vec2ForCTC 前向方法,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,而后者会静默地忽略它们。

示例

>>> import tensorflow as tf
>>> from transformers import AutoProcessor, TFWav2Vec2ForCTC
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-base-960h")
>>> model = TFWav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-960h")


>>> 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)

>>> input_values = processor(ds["speech"][0], return_tensors="tf").input_values  # Batch size 1
>>> logits = model(input_values).logits
>>> predicted_ids = tf.argmax(logits, axis=-1)

>>> transcription = processor.decode(predicted_ids[0])

>>> # compute loss
>>> target_transcription = "A MAN SAID TO THE UNIVERSE SIR I EXIST"

>>> # Pass transcription as `text` to encode labels
>>> labels = processor(text=transcription, return_tensors="tf").input_ids

>>> loss = model(input_values, labels=labels).loss
JAX
隐藏 JAX 内容

FlaxWav2Vec2Model

class transformers.FlaxWav2Vec2Model

< >

( config: Wav2Vec2Config input_shape: typing.Tuple = (1, 1024) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True **kwargs )

参数

  • config (Wav2Vec2Config) — 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。
  • dtype (jax.numpy.dtype, optional, 默认为 jax.numpy.float32) — 计算的数据类型。可以是 jax.numpy.float32jax.numpy.float16 (在 GPU 上) 和 jax.numpy.bfloat16 (在 TPU 上) 之一。

    这可以用于在 GPU 或 TPU 上启用混合精度训练或半精度推理。如果指定,所有计算将使用给定的 dtype 执行。

    请注意,这仅指定计算的 dtype,不影响模型参数的 dtype。

    如果您希望更改模型参数的 dtype,请参阅 to_fp16()to_bf16()

裸 Wav2Vec2 模型 Transformer,输出原始隐藏状态,顶部没有任何特定的 head。Wav2Vec2 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

此模型继承自 FlaxPreTrainedModel。查看超类文档,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 embeddings 大小、剪枝头等)。

此模型也是 Flax Linen flax.nn.Module 子类。将其用作常规 Flax 模块,并参考 Flax 文档了解与通用用法和行为相关的所有事项。

最后,此模型支持固有的 JAX 特性,例如

__call__

< >

( input_values attention_mask = None mask_time_indices = None params: dict = None dropout_rng: <function PRNGKey at 0x7f787eb14310> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None freeze_feature_encoder: bool = False return_dict: typing.Optional[bool] = None ) transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2BaseModelOutputtuple(torch.FloatTensor)

参数

  • input_values (jnp.ndarray,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.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)。为了将数组准备为 input_values,应使用 AutoProcessor 进行填充并转换为 jnp.ndarray 类型的张量。有关详细信息,请参阅 Wav2Vec2Processor.__call__()
  • attention_mask (jnp.ndarray,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。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。

    什么是注意力掩码? .. warning:: 只有当相应的 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 wav2vec2-base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 填充并传递,而无需 attention_mask。请注意,这些模型也会产生略有不同的结果,具体取决于 input_values 是否填充。

  • mask_time_indices (jnp.ndarray,形状为 (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,模型学习预测 config.proj_codevector_dim 空间中被掩码的提取特征。
  • 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,请参见返回张量下的 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,请参见返回张量下的 hidden_states
  • return_dict (bool, optional) — 是否返回 ModelOutput 而不是普通元组。

返回值

transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2BaseModelOutputtuple(torch.FloatTensor)

一个 transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2BaseModelOutputtorch.FloatTensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含各种元素,具体取决于配置 (<class 'transformers.models.wav2vec2.configuration_wav2vec2.Wav2Vec2Config'>) 和输入。

  • last_hidden_state (jnp.ndarray,形状为 (batch_size, sequence_length, hidden_size)) — 模型最后一层输出端的隐藏状态序列。

  • extract_features (jnp.ndarray,形状为 (batch_size, sequence_length, last_conv_dim)) — 模型最后一层卷积层提取的特征向量序列,其中 last_conv_dim 是最后一层卷积层的维度。

  • hidden_states (tuple(jnp.ndarray), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — jnp.ndarray 元组(embeddings 输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(jnp.ndarray), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — jnp.ndarray 元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

FlaxWav2Vec2PreTrainedModel 前向方法,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,而后者会静默地忽略它们。

示例

>>> from transformers import AutoProcessor, FlaxWav2Vec2Model
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-large-lv60")
>>> model = FlaxWav2Vec2Model.from_pretrained("facebook/wav2vec2-large-lv60")


>>> 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)

>>> input_values = processor(
...     ds["speech"][0], sampling_rate=16_000, return_tensors="np"
... ).input_values  # Batch size 1
>>> hidden_states = model(input_values).last_hidden_state

FlaxWav2Vec2ForCTC

class transformers.FlaxWav2Vec2ForCTC

< >

( config: Wav2Vec2Config input_shape: typing.Tuple = (1, 1024) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True **kwargs )

参数

  • config (Wav2Vec2Config) — 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。
  • dtype (jax.numpy.dtype, optional, 默认为 jax.numpy.float32) — 计算的数据类型。可以是 jax.numpy.float32jax.numpy.float16 (在 GPU 上) 和 jax.numpy.bfloat16 (在 TPU 上) 之一。

    这可以用于在 GPU 或 TPU 上启用混合精度训练或半精度推理。如果指定,所有计算将使用给定的 dtype 执行。

    请注意,这仅指定计算的 dtype,不影响模型参数的 dtype。

    如果您希望更改模型参数的 dtype,请参阅 to_fp16()to_bf16()

带有用于 Connectionist Temporal Classification (CTC) 的 语言建模 head 的 Wav2Vec2 模型。Wav2Vec2 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

此模型继承自 FlaxPreTrainedModel。查看超类文档,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 embeddings 大小、剪枝头等)。

此模型也是 Flax Linen flax.nn.Module 子类。将其用作常规 Flax 模块,并参考 Flax 文档了解与通用用法和行为相关的所有事项。

最后,此模型支持固有的 JAX 特性,例如

__call__

< >

( input_values attention_mask = None mask_time_indices = None params: dict = None dropout_rng: <function PRNGKey at 0x7f787eb14310> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None freeze_feature_encoder: bool = False return_dict: typing.Optional[bool] = None ) transformers.modeling_flax_outputs.FlaxMaskedLMOutput or tuple(torch.FloatTensor)

参数

  • input_values (形状为 (batch_size, sequence_length)jnp.ndarray) — 输入原始语音波形的浮点数值。这些值可以通过将 .flac.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)。为了将数组准备为 input_values,应该使用 AutoProcessor 进行填充并转换为 jnp.ndarray 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)jnp.ndarray, 可选) — 用于避免在填充 token 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 未被掩码 的 token,
    • 0 表示 被掩码 的 token。

    什么是注意力掩码? .. warning:: 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 wav2vec2-base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,并在不使用 attention_mask 的情况下传递。请注意,这些模型也会根据 input_values 是否填充而产生略有不同的结果。

  • mask_time_indices (形状为 (batch_size, sequence_length)jnp.ndarray, 可选) — 用于掩码提取特征以进行对比损失的索引。当处于训练模式时,模型学习预测 config.proj_codevector_dim 空间中被掩码的提取特征。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。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 而不是纯元组。

返回值

transformers.modeling_flax_outputs.FlaxMaskedLMOutputtuple(torch.FloatTensor)

一个 transformers.modeling_flax_outputs.FlaxMaskedLMOutput 或一个 torch.FloatTensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含各种元素,具体取决于配置 (<class 'transformers.models.wav2vec2.configuration_wav2vec2.Wav2Vec2Config'>) 和输入。

  • logits (形状为 (batch_size, sequence_length, config.vocab_size)jnp.ndarray) — 语言建模头的预测分数(SoftMax 之前每个词汇 token 的分数)。

  • hidden_states (tuple(jnp.ndarray), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — jnp.ndarray 元组(embeddings 输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(jnp.ndarray), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — jnp.ndarray 元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

FlaxWav2Vec2PreTrainedModel 前向方法,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,而后者会静默地忽略它们。

示例

>>> import jax.numpy as jnp
>>> from transformers import AutoProcessor, FlaxWav2Vec2ForCTC
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> processor = AutoProcessor.from_pretrained("facebook/wav2vec2-large-960h-lv60")
>>> model = FlaxWav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-large-960h-lv60")


>>> 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)

>>> input_values = processor(
...     ds["speech"][0], sampling_rate=16_000, return_tensors="np"
... ).input_values  # Batch size 1
>>> logits = model(input_values).logits
>>> predicted_ids = jnp.argmax(logits, axis=-1)

>>> transcription = processor.decode(predicted_ids[0])
>>> # should give:  "A MAN SAID TO THE UNIVERSE SIR I EXIST"

FlaxWav2Vec2ForPreTraining

class transformers.FlaxWav2Vec2ForPreTraining

< >

( config: Wav2Vec2Config input_shape: typing.Tuple = (1, 1024) seed: int = 0 dtype: dtype = <class 'jax.numpy.float32'> _do_init: bool = True **kwargs )

参数

  • config (Wav2Vec2Config) — 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。
  • dtype (jax.numpy.dtype, 可选, 默认为 jax.numpy.float32) — 计算的数据类型。可以是 jax.numpy.float32jax.numpy.float16 (在 GPU 上) 和 jax.numpy.bfloat16 (在 TPU 上) 之一。

    这可以用于在 GPU 或 TPU 上启用混合精度训练或半精度推理。如果指定,则所有计算将使用给定的 dtype 执行。

    请注意,这仅指定计算的 dtype,不会影响模型参数的 dtype。

    如果您希望更改模型参数的 dtype,请参阅 to_fp16()to_bf16()

带有量化器和 VQ 头的 Wav2Vec2 模型。Wav2Vec2 在 wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations 中被提出,作者是 Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli。

此模型继承自 FlaxPreTrainedModel。查看超类文档,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 embeddings 大小、剪枝头等)。

此模型也是 Flax Linen flax.nn.Module 子类。将其用作常规 Flax 模块,并参考 Flax 文档了解与通用用法和行为相关的所有事项。

最后,此模型支持固有的 JAX 特性,例如

__call__

< >

( input_values attention_mask = None mask_time_indices = None gumbel_temperature: int = 1 params: dict = None dropout_rng: <function PRNGKey at 0x7f787eb14310> = None gumbel_rng: <function PRNGKey at 0x7f787eb14310> = None train: bool = False output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None freeze_feature_encoder: bool = False return_dict: typing.Optional[bool] = None ) transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2ForPreTrainingOutput or tuple(torch.FloatTensor)

参数

  • input_values (形状为 (batch_size, sequence_length)jnp.ndarray) — 输入原始语音波形的浮点数值。这些值可以通过将 .flac.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)。为了将数组准备为 input_values,应该使用 AutoProcessor 进行填充并转换为 jnp.ndarray 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)jnp.ndarray, 可选) — 用于避免在填充 token 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 未被掩码 的 token,
    • 0 表示 被掩码 的 token。

    什么是注意力掩码? .. warning:: 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 wav2vec2-base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,并在不使用 attention_mask 的情况下传递。请注意,这些模型也会根据 input_values 是否填充而产生略有不同的结果。

  • mask_time_indices (形状为 (batch_size, sequence_length)jnp.ndarray, 可选) — 用于掩码提取特征以进行对比损失的索引。当处于训练模式时,模型学习预测 config.proj_codevector_dim 空间中被掩码的提取特征。
  • output_attentions (bool, 可选) — 是否返回所有注意力层的注意力张量。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 而不是纯元组。

返回值

transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2ForPreTrainingOutputtuple(torch.FloatTensor)

一个 transformers.models.wav2vec2.modeling_flax_wav2vec2.FlaxWav2Vec2ForPreTrainingOutput 或一个 torch.FloatTensor 元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),其中包含各种元素,具体取决于配置 (<class 'transformers.models.wav2vec2.configuration_wav2vec2.Wav2Vec2Config'>) 和输入。

  • loss (可选, 当模型处于训练模式时返回, 形状为 (1,)jnp.ndarray) — 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)jnp.ndarray) — 模型投影到 config.proj_codevector_dim 的隐藏状态,可用于预测被掩码的投影量化状态。

  • projected_quantized_states (形状为 (batch_size, sequence_length, config.proj_codevector_dim)jnp.ndarray) — 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(jnp.ndarray), optional, 当传递 output_hidden_states=True 或当 config.output_hidden_states=True 时返回) — jnp.ndarray 元组(embeddings 输出一个,每层输出一个),形状为 (batch_size, sequence_length, hidden_size)

    模型在每一层输出的隐藏状态,加上初始嵌入输出。

  • attentions (tuple(jnp.ndarray), optional, 当传递 output_attentions=True 或当 config.output_attentions=True 时返回) — jnp.ndarray 元组(每层一个),形状为 (batch_size, num_heads, sequence_length, sequence_length)

    注意力 softmax 之后的权重,用于计算自注意力头中的加权平均值。

FlaxWav2Vec2ForPreTraining 前向方法,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,而后者会静默地忽略它们。

示例

>>> import optax
>>> import numpy as np
>>> import jax.numpy as jnp
>>> from transformers import AutoFeatureExtractor, FlaxWav2Vec2ForPreTraining
>>> from transformers.models.wav2vec2.modeling_flax_wav2vec2 import _compute_mask_indices
>>> from datasets import load_dataset
>>> import soundfile as sf

>>> feature_extractor = AutoFeatureExtractor.from_pretrained("facebook/wav2vec2-large-lv60")
>>> model = FlaxWav2Vec2ForPreTraining.from_pretrained("facebook/wav2vec2-large-lv60")


>>> 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)

>>> input_values = feature_extractor(ds["speech"][0], return_tensors="np").input_values  # Batch size 1

>>> # compute masked indices
>>> batch_size, raw_sequence_length = input_values.shape
>>> sequence_length = model._get_feat_extract_output_lengths(raw_sequence_length)
>>> mask_time_indices = _compute_mask_indices((batch_size, sequence_length), mask_prob=0.2, mask_length=2)

>>> outputs = model(input_values, mask_time_indices=mask_time_indices)

>>> # compute cosine similarity between predicted (=projected_states) and target (=projected_quantized_states)
>>> cosine_sim = optax.cosine_similarity(outputs.projected_states, outputs.projected_quantized_states)

>>> # show that cosine similarity is much higher than random
>>> assert np.asarray(cosine_sim)[mask_time_indices].mean() > 0.5
< > 在 GitHub 上更新