ConvEmformer

class torchaudio.prototype.models.ConvEmformer(input_dim: int, num_heads: int, ffn_dim: int, num_layers: int, segment_length: int, kernel_size: int, dropout: float = 0.0, ffn_activation: str = 'relu', left_context_length: int = 0, right_context_length: int = 0, max_memory_size: int = 0, weight_init_scale_strategy: Optional[str] = 'depthwise', tanh_on_mem: bool = False, negative_inf: float = -100000000.0, conv_activation: str = 'silu')

實現了 Streaming Transformer Transducer based Speech Recognition Using Non-Causal Convolution [Shi et al., 2022] 中介紹的卷積增強流式 Transformer 架構。

引數：:

• input_dim (int) – 輸入維度。

• num_heads (int) – 每個 ConvEmformer 層中的注意力頭數量。

• ffn_dim (int) – 每個 ConvEmformer 層的全連線前饋網路的隱藏層維度。

• num_layers (int) – 要例項化的 ConvEmformer 層數量。

• segment_length (int) – 每個輸入段的長度。

• kernel_size (int) – 卷積模組中使用的核大小。

• dropout (float, 可選) – Dropout 機率。(預設值: 0.0)

• ffn_activation (str, 可選) – 全連線前饋網路中使用的啟用函式。必須是 (“relu”, “gelu”, “silu”) 之一。(預設值: “relu”)

• left_context_length (int, 可選) – 左上下文長度。(預設值: 0)

• right_context_length (int, 可選) – 右上下文長度。(預設值: 0)

• max_memory_size (int, 可選) – 要使用的最大記憶體元素數量。(預設值: 0)

• weight_init_scale_strategy (str 或 None, 可選) – 每層權重初始化縮放策略。必須是 (“depthwise”, “constant”, None) 之一。(預設值: “depthwise”)

• tanh_on_mem (bool, 可選) – 如果為 True，則對記憶體元素應用 tanh。(預設值: False)

• negative_inf (float, 可選) – 注意力權重中用於負無窮大的值。(預設值: -1e8)

• conv_activation (str, 可選) – 卷積模組中使用的啟用函式。必須是 (“relu”, “gelu”, “silu”) 之一。(預設值: “silu”)

示例

>>> conv_emformer = ConvEmformer(80, 4, 1024, 12, 16, 8, right_context_length=4)
>>> input = torch.rand(10, 200, 80)
>>> lengths = torch.randint(1, 200, (10,))
>>> output, lengths = conv_emformer(input, lengths)
>>> input = torch.rand(4, 20, 80)
>>> lengths = torch.ones(4) * 20
>>> output, lengths, states = conv_emformer.infer(input, lengths, None)

方法

forward

ConvEmformer.forward(input: Tensor, lengths: Tensor) → Tuple[Tensor, Tensor]

用於訓練和非流式推理的前向傳播。

B: 批次大小；T: 批次中最大輸入幀數；D: 每幀的特徵維度。

引數：:

• input (torch.Tensor) – 使用右上下文幀在右側填充的語音幀，形狀為 (B, T + right_context_length, D)。

• lengths (torch.Tensor) – 形狀為 (B,)，其中第 i 個元素表示 input 中第 i 個批次元素的有效語音幀數。

返回值：:

Tensor

輸出幀，形狀為 (B, T, D)。

Tensor

輸出長度，形狀為 (B,)，其中第 i 個元素表示輸出幀中第 i 個批次元素的有效幀數。

返回型別：:

(Tensor, Tensor)

infer

ConvEmformer.infer(input: Tensor, lengths: Tensor, states: Optional[List[List[Tensor]]] = None) → Tuple[Tensor, Tensor, List[List[Tensor]]]

用於流式推理的前向傳播。

B: 批次大小；D: 每幀的特徵維度。

引數：:

• input (torch.Tensor) – 使用右上下文幀在右側填充的語音幀，形狀為 (B, segment_length + right_context_length, D)。

• lengths (torch.Tensor) – 形狀為 (B,)，其中第 i 個元素表示 input 中第 i 個批次元素的有效幀數。

• states (List[List[torch.Tensor]] 或 None, 可選) – 表示在 infer 上次呼叫中生成的內部狀態的張量列表的列表。(預設值: None)

返回值：:

Tensor

輸出幀，形狀為 (B, segment_length, D)。

Tensor

輸出長度，形狀為 (B,)，其中第 i 個元素表示輸出幀中第 i 個批次元素的有效幀數。

List[List[Tensor]]

輸出狀態；表示在 infer 當前呼叫中生成的內部狀態的張量列表的列表。

返回型別：:

(Tensor, Tensor, List[List[Tensor]])