RNNT¶
- class torchaudio.models.RNNT[source]¶
循环神经网络转录器 (RNN-T) 模型。
注意
要构建模型，请使用其中一个工厂函数。
另请参阅
torchaudio.pipelines.RNNTBundle：具有预训练模型的 ASR 流水线。- 参数：
transcriber (torch.nn.Module) – 转录网络。
predictor (torch.nn.Module) – 预测网络。
joiner (torch.nn.Module) – 连接网络。
方法¶
forward¶
- RNNT.forward(sources: Tensor, source_lengths: Tensor, targets: Tensor, target_lengths: Tensor, predictor_state: Optional[List[List[Tensor]]] = None) Tuple[Tensor, Tensor, Tensor, List[List[Tensor]]][source]¶
训练的前向传递。
B：批次大小；T：批次中最大源序列长度；U：批次中最大目标序列长度；D：每个源序列元素的特征维度。
- 参数：
sources (torch.Tensor) – 右填充有右上下文信息的源帧序列，形状为 (B, T, D)。
source_lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示
sources中第 i 个批次元素的有效帧数。targets (torch.Tensor) – 目标序列，形状为 (B, U)，每个元素映射到一个目标符号。
target_lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示
targets中第 i 个批次元素的有效帧数。predictor_state (List[List[torch.Tensor]] or None, optional) – 预测网络内部状态的张量列表，在先前
forward调用中生成。(默认值：None)
- 返回值：
- torch.Tensor
连接网络输出，形状为 (B, max output source length, max output target length, output_dim (number of target symbols))。
- torch.Tensor
输出源长度，形状为 (B,)，第 i 个元素表示连接网络输出中第 i 个批次元素沿维度 1 的有效元素数。
- torch.Tensor
输出目标长度，形状为 (B,)，第 i 个元素表示连接网络输出中第 i 个批次元素沿维度 2 的有效元素数。
- List[List[torch.Tensor]]
输出状态；预测网络内部状态的张量列表，在当前
forward调用中生成。
- 返回类型：
(torch.Tensor, torch.Tensor, torch.Tensor, List[List[torch.Tensor]])
流式转录¶
- RNNT.transcribe_streaming(sources: Tensor, source_lengths: Tensor, state: Optional[List[List[Tensor]]]) Tuple[Tensor, Tensor, List[List[Tensor]]][source]¶
以流式模式将转录网络应用于音频源。
B：批次大小；T：批次中最大音频源序列段长度；D：每个音频源序列帧的特征维度。
- 参数：
sources (torch.Tensor) – 右填充右上下文音频源帧序列段，形状为 (B, T + 右上下文长度, D)。
source_lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示
sources中第 i 个批次元素的有效帧数。state (List[List[torch.Tensor]] or None) – 张量列表的列表，表示在先前调用
transcribe_streaming时生成的转录网络内部状态。
- 返回值：
- torch.Tensor
输出帧序列，形状为 (B, T // time_reduction_stride, output_dim)。
- torch.Tensor
输出长度，形状为 (B,)，第 i 个元素表示输出中第 i 个批次元素的有效元素数量。
- List[List[torch.Tensor]]
输出状态；张量列表的列表，表示在当前调用
transcribe_streaming时生成的转录网络内部状态。
- 返回类型：
(torch.Tensor, torch.Tensor, List[List[torch.Tensor]])
转录¶
- RNNT.transcribe(sources: Tensor, source_lengths: Tensor) Tuple[Tensor, Tensor][source]¶
以非流式模式将转录网络应用于音频源。
B：批次大小；T：批次中最大音频源序列长度；D：每个音频源序列帧的特征维度。
- 参数：
sources (torch.Tensor) – 右填充右上下文音频源帧序列，形状为 (B, T + 右上下文长度, D)。
source_lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示
sources中第 i 个批次元素的有效帧数。
- 返回值：
- torch.Tensor
输出帧序列，形状为 (B, T // time_reduction_stride, output_dim)。
- torch.Tensor
输出长度，形状为 (B,)，第 i 个元素表示输出帧序列中第 i 个批次元素的有效元素数量。
- 返回类型：
预测¶
- RNNT.predict(targets: Tensor, target_lengths: Tensor, state: Optional[List[List[Tensor]]]) Tuple[Tensor, Tensor, List[List[Tensor]]][source]¶
将预测网络应用于目标。
B：批次大小；U：批次中最大目标序列长度；D：每个目标序列帧的特征维度。
- 参数：
targets (torch.Tensor) – 目标序列，形状为 (B, U)，每个元素映射到一个目标符号，即在范围 [0, num_symbols) 内。
target_lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示
targets中第 i 个批次元素的有效帧数。state (List[List[torch.Tensor]] or None) – 张量列表的列表，表示在先前调用
predict时生成的内部状态。
- 返回值：
- torch.Tensor
输出帧序列，形状为 (B, U, output_dim)。
- torch.Tensor
输出长度，形状为 (B,)，第 i 个元素表示输出中第 i 个批次元素的有效元素数量。
- List[List[torch.Tensor]]
输出状态；张量列表的列表，表示在当前调用
predict时生成的内部状态。
- 返回类型：
(torch.Tensor, torch.Tensor, List[List[torch.Tensor]])
连接¶
- RNNT.join(source_encodings: Tensor, source_lengths: Tensor, target_encodings: Tensor, target_lengths: Tensor) Tuple[Tensor, Tensor, Tensor][source]¶
将联合网络应用于音频源和目标编码。
B：批次大小；T：批次中最大音频源序列长度；U：批次中最大目标序列长度；D：每个音频源和目标序列编码的维度。
- 参数：
source_encodings (torch.Tensor) – 音频源编码序列，形状为 (B, T, D)。
source_lengths (torch.Tensor) – 形状为 (B,)，第 i 个元素表示
source_encodings中第 i 个批次元素的有效序列长度。target_encodings (torch.Tensor) – 目标编码序列，形状为 (B, U, D)。
target_lengths（torch.Tensor） - 形状为 (B,)，其中第 i 个元素表示
target_encodings中第 i 个批次元素的有效序列长度。
- 返回值：
- torch.Tensor
联合网络输出，形状为 (B, T, U, output_dim)。
- torch.Tensor
输出源长度，形状为 (B,)，第 i 个元素表示连接网络输出中第 i 个批次元素沿维度 1 的有效元素数。
- torch.Tensor
输出目标长度，形状为 (B,)，第 i 个元素表示连接网络输出中第 i 个批次元素沿维度 2 的有效元素数。
- 返回类型：
工厂函数¶
构建基于 Emformer 的 |
|
构建基于 Emformer 的 |
原型工厂函数¶
构建基于 Conformer 的递归神经网络换能器 (RNN-T) 模型。 |
|
构建 Conformer RNN-T 模型的基本版本。 |
