Emformer

class torchaudio.models.Emformer(input_dim: int, num_heads: int, ffn_dim: int, num_layers: int, segment_length: int, dropout: float = 0.0, 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)

Emformer 架构在 Emformer: Efficient Memory Transformer Based Acoustic Model for Low Latency Streaming Speech Recognition [Shi 等人，2021] 中提出。

另请参阅

• emformer_rnnt_model()，emformer_rnnt_base()：工厂函数。

• torchaudio.pipelines.RNNTBundle：具有预训练模型的 ASR 流水线。

参数：

• input_dim (int) – 输入维度。

• num_heads (int) – 每个 Emformer 层中注意力头的数量。

• ffn_dim (int) – 每个 Emformer 层的前馈网络的隐藏层维度。

• num_layers (int) – 要实例化的 Emformer 层的数量。

• segment_length (int) – 每个输入段的长度。

• dropout (float, 可选) – dropout 概率。 (默认值：0.0)

• activation (str, 可选) – 在每个 Emformer 层的前馈网络中使用的激活函数。必须是 (“relu”, “gelu”, “silu”) 之一。 (默认值：“relu”)

• left_context_length (int, 可选) – 左上下文长度。 (默认值：0)

• right_context_length (int, 可选) – 右侧上下文长度。 (默认值: 0)

• max_memory_size (int, 可选) – 要使用的最大内存元素数量。 (默认值: 0)

• weight_init_scale_strategy (str 或 None, 可选) – 每层权重初始化缩放策略。必须是以下之一 (“depthwise”, “constant”, None)。 (默认值: “depthwise”)

• tanh_on_mem (bool, 可选) – 如果 True，则将 tanh 应用于内存元素。 (默认值: False)

• negative_inf (float, 可选) – 用于注意力权重中负无穷大的值。 (默认值: -1e8)

示例

>>> emformer = Emformer(512, 8, 2048, 20, 4, right_context_length=1)
>>> input = torch.rand(128, 400, 512)  # batch, num_frames, feature_dim
>>> lengths = torch.randint(1, 200, (128,))  # batch
>>> output, lengths = emformer(input, lengths)
>>> input = torch.rand(128, 5, 512)
>>> lengths = torch.ones(128) * 5
>>> output, lengths, states = emformer.infer(input, lengths, None)

方法

forward

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

训练和非流式推理的前向传递。

B: 批次大小；T: 批次中输入帧的最大数量；D: 每帧的特征维度。

参数：

• input (torch.Tensor) – 语音帧，右侧填充有右侧上下文帧，形状为 (B, T + right_context_length, D)。

• lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示 input 中第 i 个批次元素的有效语音帧数量。

返回:

张量

输出帧，形状为 (B, T, D)。

张量

输出长度，形状为 (B,)，第 i 个元素表示输出帧中第 i 个批次元素的有效帧数量。

返回类型:

(Tensor, Tensor)

infer

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

流式推理的前向传递。

B: 批次大小；D: 每帧的特征维度。

参数：

• input (torch.Tensor) – 语音帧，右侧填充有右侧上下文帧，形状为 (B, segment_length + right_context_length, D)。

• lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示 input 中第 i 个批次元素的有效帧数量。

• states (List[List[torch.Tensor]] or None, 可选) – 张量列表的列表，表示在先前调用 infer 时生成的内部状态。 (默认值: None)

返回:

张量

输出帧，形状为 (B, segment_length, D)。

张量

输出长度，形状为 (B,)，第 i 个元素表示输出帧中第 i 个批次元素的有效帧数量。

List[List[Tensor]]

输出状态；张量列表的列表，表示在当前调用 infer 时生成的内部状态。

返回类型:

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