SEW-D

概述

SEW-D (Squeezed and Efficient Wav2Vec with Disentangled attention) 由 Felix Wu, Kwangyoun Kim, Jing Pan, Kyu Han, Kilian Q. Weinberger, Yoav Artzi 在《用於語音識別的無監督預訓練中的效能-效率權衡》中提出。

論文摘要如下：

本文研究了用於自動語音識別 (ASR) 的預訓練模型中的效能-效率權衡。我們專注於 wav2vec 2.0，並形式化了影響模型效能和效率的幾種架構設計。綜合所有觀察結果，我們引入了 SEW (Squeezed and Efficient Wav2vec)，這是一種預訓練模型架構，在各種訓練設定中，其效能和效率方面都有顯著改進。例如，在 LibriSpeech 上的 100h-960h 半監督設定中，SEW 比 wav2vec 2.0 實現了 1.9 倍的推理加速，詞錯誤率相對降低了 13.5%。在相似的推理時間下，SEW 在不同模型尺寸下將詞錯誤率降低了 25-50%。

此模型由anton-l貢獻。

使用技巧

SEW-D 是一個語音模型，接受一個浮點陣列，對應於語音訊號的原始波形。
SEWDForCTC 使用連線主義時間分類 (CTC) 進行微調，因此模型輸出必須使用Wav2Vec2CTCTokenizer進行解碼。

資源

SEWD配置

class transformers.SEWDConfig

< 源 >

( 詞彙表大小 = 32 隱藏層大小 = 768 隱藏層數量 = 12 注意力頭數量 = 12 中間層大小 = 3072 壓縮因子 = 2 最大位置嵌入 = 512 位置桶 = 256 共享注意力鍵 = True 相對注意力 = True 位置注意力型別 = ('p2c', 'c2p') 歸一化相對嵌入 = 'layer_norm' 隱藏啟用函式 = 'gelu_python' 隱藏層丟棄率 = 0.1 啟用層丟棄率 = 0.1 注意力丟棄率 = 0.1 特徵投影丟棄率 = 0.0 最終丟棄率 = 0.1 初始化範圍 = 0.02 層歸一化epsilon = 1e-07 特徵層歸一化epsilon = 1e-05 特徵提取歸一化 = 'group' 特徵提取啟用函式 = 'gelu' 卷積維度 = (64, 128, 128, 128, 128, 256, 256, 256, 256, 512, 512, 512, 512) 卷積步長 = (5, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1) 卷積核 = (10, 3, 1, 3, 1, 3, 1, 3, 1, 2, 1, 2, 1) 卷積偏置 = False 卷積位置嵌入數量 = 128 卷積位置嵌入組數量 = 16 應用SpecAugment = True 時間掩碼機率 = 0.05 時間掩碼長度 = 10 時間掩碼最小數量 = 2 特徵掩碼機率 = 0.0 特徵掩碼長度 = 10 特徵掩碼最小數量 = 0 CTC損失縮減 = 'mean' CTC零無窮大 = False 使用加權層求和 = False 分類器投影大小 = 256 填充token ID = 0 起始token ID = 1 結束token ID = 2 **kwargs )

引數

vocab_size (int, 可選, 預設為 32) — SEW-D 模型的詞彙表大小。定義了呼叫 SEWD 時傳入 inputs_ids 可表示的不同 token 的數量。
hidden_size (int, 可選, 預設為 768) — 編碼器層和池化層維度。
num_hidden_layers (int, 可選, 預設為 12) — Transformer 編碼器中的隱藏層數量。
num_attention_heads (int, 可選, 預設為 12) — Transformer 編碼器中每個注意力層的注意力頭數量。
intermediate_size (int, 可選, 預設為 3072) — Transformer 編碼器中“中間”（即前饋）層的維度。
squeeze_factor (int, 可選, 預設為 2) — 編碼器後的序列長度下采樣因子和 Transformer 後的上取樣因子。
max_position_embeddings (int, 可選, 預設為 512) — 此模型可能使用的最大序列長度。通常設定為較大值以防萬一（例如 512、1024 或 2048）。
position_buckets (int, 可選, 預設為 256) — 相對位置嵌入的最大大小。
share_att_key (bool, 可選, 預設為 True) — 是否與 c2p 和 p2c 共享注意力鍵。
relative_attention (bool, 可選, 預設為 True) — 是否使用相對位置編碼。
pos_att_type (tuple[str], 可選, 預設為 ("p2c", "c2p")) — 相對位置注意力的型別，可以是 ("p2c", "c2p") 的組合，例如 ("p2c")、("p2c", "c2p")、("p2c", "c2p")。
norm_rel_ebd (str, 可選, 預設為 "layer_norm") — 是否在相對嵌入中使用層歸一化（如果是則為"layer_norm"）
hidden_act (str 或 function, 可選, 預設為 "gelu_python") — 編碼器和池化器中的非線性啟用函式（函式或字串）。如果是字串，支援 "gelu"、"relu"、"selu"、"gelu_python" 和 "gelu_new"。
hidden_dropout (float, 可選, 預設為 0.1) — 已棄用。模型不再使用，並將在未來版本中移除。
activation_dropout (float, 可選, 預設為 0.1) — 嵌入、編碼器和池化器中所有全連線層的丟棄機率。
attention_dropout (float, 可選, 預設為 0.1) — 注意力機率的丟棄率。
final_dropout (float, 可選, 預設為 0.1) — SEWDForCTC 最終投影層的丟棄機率。
initializer_range (float, 可選, 預設為 0.02) — 用於初始化所有權重矩陣的截斷正態初始化器的標準差。
layer_norm_eps (float, 可選, 預設為 1e-7) — Transformer 編碼器中層歸一化層使用的 epsilon。
feature_layer_norm_eps (float, 可選, 預設為 1e-5) — 特徵編碼器後層歸一化使用的 epsilon。
feat_extract_norm (str, 可選, 預設為 "group") — 應用於特徵編碼器中一維卷積層的歸一化型別。可以是 "group"（僅對第一個一維卷積層進行組歸一化）或 "layer"（對所有一維卷積層進行層歸一化）。
feat_proj_dropout (float, 可選, 預設為 0.0) — 特徵編碼器輸出的丟棄機率。
feat_extract_activation (str, 可選, 預設為 “gelu”) -- 特徵提取器一維卷積層中的非線性啟用函式（函式或字串）。如果是字串，支援 “gelu”、“relu”、“selu”和“gelu_new”`。
conv_dim (tuple[int] 或 list[int], 可選, 預設為 (64, 128, 128, 128, 128, 256, 256, 256, 256, 512, 512, 512, 512)) — 一個整數元組，定義特徵編碼器中每個一維卷積層的輸入和輸出通道數。conv_dim 的長度定義了一維卷積層的數量。
conv_stride (tuple[int] 或 list[int], 可選, 預設為 (5, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1, 2, 1)) — 一個整數元組，定義特徵編碼器中每個一維卷積層的步長。conv_stride 的長度定義了卷積層的數量，並且必須與 conv_dim 的長度匹配。
conv_kernel (tuple[int] 或 list[int], 可選, 預設為 (10, 3, 1, 3, 1, 3, 1, 3, 1, 2, 1, 2, 1)) — 一個整數元組，定義特徵編碼器中每個一維卷積層的核大小。conv_kernel 的長度定義了卷積層的數量，並且必須與 conv_dim 的長度匹配。
conv_bias (bool, 可選, 預設為 False) — 一維卷積層是否具有偏置。
num_conv_pos_embeddings (int, 可選, 預設為 128) — 卷積位置嵌入的數量。定義了一維卷積位置嵌入層的核大小。
num_conv_pos_embedding_groups (int, 可選, 預設為 16) — 一維卷積位置嵌入層的組數量。
apply_spec_augment (bool, 可選, 預設為 True) — 是否對特徵編碼器輸出應用 SpecAugment 資料增強。請參閱SpecAugment: 用於自動語音識別的簡單資料增強方法。
mask_time_prob (float, 可選, 預設為 0.05) — 沿時間軸所有特徵向量將被掩碼的百分比（0 到 1 之間）。掩碼過程沿軸生成“mask_time_prob * len(time_axis) / mask_time_length”個獨立掩碼。如果從每個特徵向量被選為掩碼向量跨度起點的機率推斷，mask_time_prob 應該為 `prob_vector_start * mask_time_length`。請注意，重疊可能會降低實際掩碼向量的百分比。這僅在 apply_spec_augment 為 True 時相關。
mask_time_length (int, 可選, 預設為 10) — 沿時間軸的向量跨度長度。
mask_time_min_masks (int, 可選, 預設為 2) — 沿時間軸生成的長度為 mask_feature_length 的最小掩碼數量，每個時間步都如此，與 mask_feature_prob 無關。僅當“mask_time_prob * len(time_axis) / mask_time_length < mask_time_min_masks”時才相關。
mask_feature_prob (float, 可選, 預設為 0.0) — 沿特徵軸的所有特徵向量將被掩碼的百分比（0 到 1 之間）。掩碼過程沿軸生成“mask_feature_prob * len(feature_axis) / mask_time_length”個獨立掩碼。如果從每個特徵向量被選為掩碼向量跨度起點的機率推斷，mask_feature_prob 應該為 `prob_vector_start * mask_feature_length`。請注意，重疊可能會降低實際掩碼向量的百分比。這僅在 apply_spec_augment 為 True 時相關。
mask_feature_length (int, 可選, 預設為 10) — 沿特徵軸的向量跨度長度。
mask_feature_min_masks (int, 可選, 預設為 0) — 沿特徵軸生成的長度為 mask_feature_length 的最小掩碼數量，每個時間步都如此，與 mask_feature_prob 無關。僅當“mask_feature_prob * len(feature_axis) / mask_feature_length < mask_feature_min_masks”時才相關。
diversity_loss_weight (int, 可選, 預設為 0.1) — 碼本多樣性損失元件的權重。
ctc_loss_reduction (str, 可選, 預設為 "sum") — 指定應用於 torch.nn.CTCLoss 輸出的縮減方法。僅在訓練 SEWDForCTC 例項時相關。
ctc_zero_infinity (bool, 可選, 預設為 False) — 是否將無限損失和 torch.nn.CTCLoss 的相關梯度置零。無限損失主要發生在輸入太短而無法與目標對齊時。僅在訓練 SEWDForCTC 例項時相關。
use_weighted_layer_sum (bool, 可選, 預設為 False) — 是否使用帶學習權重的加權層輸出平均值。僅在使用 Wav2Vec2ForSequenceClassification 例項時相關。
classifier_proj_size (int, 可選, 預設為 256) — 用於分類的 token 均值池化前投影的維度。

這是用於儲存 SEWDModel 配置的配置類。它用於根據指定的引數例項化 SEW-D 模型，定義模型架構。例項化具有預設值的配置將生成與 SEW-D asapp/sew-d-tiny-100k 架構相似的配置。

配置物件繼承自 PretrainedConfig，可用於控制模型輸出。有關更多資訊，請閱讀 PretrainedConfig 文件。

示例

>>> from transformers import SEWDConfig, SEWDModel

>>> # Initializing a SEW-D asapp/sew-d-tiny-100k style configuration
>>> configuration = SEWDConfig()

>>> # Initializing a model (with random weights) from the asapp/sew-d-tiny-100k style configuration
>>> model = SEWDModel(configuration)

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

to_dict

< 源 >

( )

將此例項序列化為 Python 字典。

SEWDModel

class transformers.SEWDModel

< source >

( config: SEWDConfig )

引數

config (SEWDConfig) — 模型配置類，包含模型的所有引數。用配置檔案初始化並不會載入與模型相關的權重，只會載入配置。要載入模型權重，請檢視 from_pretrained() 方法。

原始的Sew D模型，輸出原始的隱藏狀態，不帶任何特定的頭部。

此模型繼承自 PreTrainedModel。請檢視父類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 的子類。請將其作為常規的 PyTorch Module 使用，並參考 PyTorch 文件中所有與通用用法和行為相關的事項。

forward

< source >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None mask_time_indices: typing.Optional[torch.FloatTensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None ) → transformers.modeling_outputs.BaseModelOutput or tuple(torch.FloatTensor)

引數

input_values (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 輸入原始語音波形的浮點值。可以透過將 .flac 或 .wav 音訊檔案載入到 list[float] 型別的陣列或 numpy.ndarray 中（例如透過 soundfile 庫（pip install soundfile））來獲取這些值。要將陣列準備為 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 {processor_class}.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在 [0, 1] 之間：
- 1 表示**未被遮蓋**的標記，
- 0 表示**被遮蓋**的標記。
什麼是注意力掩碼？
mask_time_indices (torch.BoolTensor，形狀為 (batch_size, sequence_length)，可選) — 用於掩蓋提取特徵以進行對比損失的索引。在訓練模式下，模型學習預測 config.proj_codevector_dim 空間中的掩碼提取特徵。
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量中的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量中的 hidden_states。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通元組。

transformers.modeling_outputs.BaseModelOutput 或 tuple(torch.FloatTensor)

transformers.modeling_outputs.BaseModelOutput 或 torch.FloatTensor 的元組（如果傳入 return_dict=False 或 config.return_dict=False 時），包含取決於配置 (SEWDConfig) 和輸入的不同元素。

last_hidden_state (torch.FloatTensor, 形狀為 (batch_size, sequence_length, hidden_size)) — 模型最後一層輸出的隱藏狀態序列。
hidden_states (tuple(torch.FloatTensor)，可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（如果模型有嵌入層，則為一個輸出，加上每一層的輸出），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor)，可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每一層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

SEWDModel 的 forward 方法，覆蓋了 __call__ 特殊方法。

儘管正向傳播的配方需要在此函式中定義，但之後應該呼叫 Module 例項而不是此函式，因為前者負責執行預處理和後處理步驟，而後者則默默地忽略它們。

SEWDForCTC

class transformers.SEWDForCTC

< source >

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

引數

config (SEWDForCTC) — 模型配置類，包含模型的所有引數。用配置檔案初始化並不會載入與模型相關的權重，只會載入配置。要載入模型權重，請檢視 from_pretrained() 方法。
target_lang (str，可選) — 介面卡權重的語言ID。介面卡權重以 adapter..safetensors 或 adapter..bin 的格式儲存。僅在使用帶介面卡的 SEWDForCTC 例項時相關。預設使用“eng”。

SEW-D 模型，頂部帶有一個用於連線主義時間分類（CTC）的 `語言建模` 頭部。

此模型繼承自 PreTrainedModel。請檢視父類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 的子類。請將其作為常規的 PyTorch Module 使用，並參考 PyTorch 文件中所有與通用用法和行為相關的事項。

forward

< source >

( input_values: typing.Optional[torch.Tensor] attention_mask: typing.Optional[torch.Tensor] = None output_attentions: typing.Optional[bool] = None output_hidden_states: typing.Optional[bool] = None return_dict: typing.Optional[bool] = None labels: typing.Optional[torch.Tensor] = None ) → transformers.modeling_outputs.CausalLMOutput or tuple(torch.FloatTensor)

引數

input_values (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 輸入原始語音波形的浮點值。可以透過將 .flac 或 .wav 音訊檔案載入到 list[float] 型別的陣列或 numpy.ndarray 中（例如透過 soundfile 庫（pip install soundfile））來獲取這些值。要將陣列準備為 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 {processor_class}.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在 [0, 1] 之間：
- 1 表示**未被遮蓋**的標記，
- 0 表示**被遮蓋**的標記。
什麼是注意力掩碼？
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量中的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量中的 hidden_states。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通元組。
labels (torch.LongTensor，形狀為 (batch_size, target_length)，可選) — 用於連線主義時間分類的標籤。請注意，target_length 必須小於或等於輸出 logits 的序列長度。索引選擇範圍為 [-100, 0, ..., config.vocab_size - 1]。所有設定為 -100 的標籤將被忽略（掩碼），損失僅針對 [0, ..., config.vocab_size - 1] 範圍內的標籤計算。

transformers.modeling_outputs.CausalLMOutput 或 tuple(torch.FloatTensor)

transformers.modeling_outputs.CausalLMOutput 或 torch.FloatTensor 的元組（如果傳入 return_dict=False 或 config.return_dict=False 時），包含取決於配置 (SEWDConfig) 和輸入的不同元素。

loss (torch.FloatTensor 形狀為 (1,)，可選，當提供 labels 時返回) — 語言建模損失（用於下一個 token 預測）。
logits (形狀為 (batch_size, sequence_length, config.vocab_size) 的 torch.FloatTensor) — 語言建模頭部的預測分數（SoftMax 之前的每個詞彙標記的分數）。
hidden_states (tuple(torch.FloatTensor)，可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（如果模型有嵌入層，則為一個輸出，加上每一層的輸出），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor)，可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每一層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

SEWDForCTC 的 forward 方法，覆蓋了 __call__ 特殊方法。

示例

>>> from transformers import AutoProcessor, SEWDForCTC
>>> from datasets import load_dataset
>>> import torch

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

>>> processor = AutoProcessor.from_pretrained("asapp/sew-d-tiny-100k")
>>> model = SEWDForCTC.from_pretrained("asapp/sew-d-tiny-100k")

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

>>> # transcribe speech
>>> transcription = processor.batch_decode(predicted_ids)
>>> transcription[0]
...

>>> inputs["labels"] = processor(text=dataset[0]["text"], return_tensors="pt").input_ids

>>> # compute loss
>>> loss = model(**inputs).loss
>>> round(loss.item(), 2)
...

SEWDForSequenceClassification

class transformers.SEWDForSequenceClassification

< source >

( config )

引數

config (SEWDForSequenceClassification) — 模型配置類，包含模型的所有引數。用配置檔案初始化並不會載入與模型相關的權重，只會載入配置。要載入模型權重，請檢視 from_pretrained() 方法。

SEWD 模型，頂部帶有一個序列分類頭部（在池化輸出上的線性層），用於像 SUPERB 關鍵詞識別這樣的任務。

此模型繼承自 PreTrainedModel。請檢視父類文件，瞭解庫為其所有模型實現的一般方法（例如下載或儲存、調整輸入嵌入大小、修剪頭部等）。

此模型也是 PyTorch torch.nn.Module 的子類。請將其作為常規的 PyTorch Module 使用，並參考 PyTorch 文件中所有與通用用法和行為相關的事項。

forward

< source >

引數

input_values (torch.FloatTensor，形狀為 (batch_size, sequence_length)) — 輸入原始語音波形的浮點值。可以透過將 .flac 或 .wav 音訊檔案載入到 list[float] 型別的陣列或 numpy.ndarray 中（例如透過 soundfile 庫（pip install soundfile））來獲取這些值。要將陣列準備為 input_values，應使用 AutoProcessor 進行填充並轉換為 torch.FloatTensor 型別的張量。有關詳細資訊，請參閱 SEWDProcessor.__call__。
attention_mask (torch.Tensor，形狀為 (batch_size, sequence_length)，可選) — 用於避免對填充標記索引執行注意力操作的掩碼。掩碼值選擇在 [0, 1] 之間：
- 1 表示**未被遮蓋**的標記，
- 0 表示**被遮蓋**的標記。
什麼是注意力掩碼？
output_attentions (bool，可選) — 是否返回所有注意力層的注意力張量。有關更多詳細資訊，請參閱返回張量中的 attentions。
output_hidden_states (bool，可選) — 是否返回所有層的隱藏狀態。有關更多詳細資訊，請參閱返回張量中的 hidden_states。
return_dict (bool，可選) — 是否返回 ModelOutput 而不是普通元組。
labels (torch.LongTensor，形狀為 (batch_size,)，可選) — 用於計算序列分類/迴歸損失的標籤。索引應在 [0, ..., config.num_labels - 1] 之間。如果 config.num_labels == 1，則計算迴歸損失（均方誤差損失），如果 config.num_labels > 1，則計算分類損失（交叉熵）。

transformers.modeling_outputs.SequenceClassifierOutput 或 tuple(torch.FloatTensor)

transformers.modeling_outputs.SequenceClassifierOutput 或 torch.FloatTensor 的元組（如果傳入 return_dict=False 或 config.return_dict=False 時），包含取決於配置 (SEWDConfig) 和輸入的不同元素。

loss (形狀為 (1,) 的 torch.FloatTensor，可選，當提供 labels 時返回) — 分類損失（如果 config.num_labels==1，則為迴歸損失）。
logits (形狀為 (batch_size, config.num_labels) 的 torch.FloatTensor) — 分類（如果 config.num_labels==1，則為迴歸）分數（SoftMax 之前）。
hidden_states (tuple(torch.FloatTensor)，可選，當傳入 output_hidden_states=True 或 config.output_hidden_states=True 時返回) — torch.FloatTensor 的元組（如果模型有嵌入層，則為一個輸出，加上每一層的輸出），形狀為 (batch_size, sequence_length, hidden_size)。

模型在每個層輸出的隱藏狀態以及可選的初始嵌入輸出。
attentions (tuple(torch.FloatTensor)，可選，當傳入 output_attentions=True 或 config.output_attentions=True 時返回) — torch.FloatTensor 的元組（每一層一個），形狀為 (batch_size, num_heads, sequence_length, sequence_length)。

注意力 softmax 後的注意力權重，用於計算自注意力頭中的加權平均值。

SEWDForSequenceClassification 的 forward 方法，覆蓋了 __call__ 特殊方法。

單標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, SEWDForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("asapp/sew-d-tiny-100k")
>>> model = SEWDForSequenceClassification.from_pretrained("asapp/sew-d-tiny-100k")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

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

>>> predicted_class_id = logits.argmax().item()
>>> model.config.id2label[predicted_class_id]
...

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = SEWDForSequenceClassification.from_pretrained("asapp/sew-d-tiny-100k", num_labels=num_labels)

>>> labels = torch.tensor([1])
>>> loss = model(**inputs, labels=labels).loss
>>> round(loss.item(), 2)
...

多標籤分類示例

>>> import torch
>>> from transformers import AutoTokenizer, SEWDForSequenceClassification

>>> tokenizer = AutoTokenizer.from_pretrained("asapp/sew-d-tiny-100k")
>>> model = SEWDForSequenceClassification.from_pretrained("asapp/sew-d-tiny-100k", problem_type="multi_label_classification")

>>> inputs = tokenizer("Hello, my dog is cute", return_tensors="pt")

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

>>> predicted_class_ids = torch.arange(0, logits.shape[-1])[torch.sigmoid(logits).squeeze(dim=0) > 0.5]

>>> # To train a model on `num_labels` classes, you can pass `num_labels=num_labels` to `.from_pretrained(...)`
>>> num_labels = len(model.config.id2label)
>>> model = SEWDForSequenceClassification.from_pretrained(
...     "asapp/sew-d-tiny-100k", num_labels=num_labels, problem_type="multi_label_classification"
... )

>>> labels = torch.sum(
...     torch.nn.functional.one_hot(predicted_class_ids[None, :].clone(), num_classes=num_labels), dim=1
... ).to(torch.float)
>>> loss = model(**inputs, labels=labels).loss

< > 在 GitHub 上更新

Transformers

SEW-D

概述

使用技巧

資源

SEWD配置

class transformers.SEWDConfig

to_dict

SEWDModel

class transformers.SEWDModel

forward

SEWDForCTC

class transformers.SEWDForCTC

forward

SEWDForSequenceClassification

class transformers.SEWDForSequenceClassification

forward