WhisperBackbone 模型

[来源]

WhisperBackbone 类

keras_hub.models.WhisperBackbone(
    vocabulary_size,
    num_layers,
    num_heads,
    hidden_dim,
    intermediate_dim,
    num_mels=80,
    dropout=0.0,
    max_encoder_sequence_length=3000,
    max_decoder_sequence_length=448,
    dtype=None,
    **kwargs
)

用于语音的 Whisper 编码器-解码器网络。

此类实现了基于 Transformer 的编码器-解码器模型，如 “通过大规模弱监督实现稳健的语音识别” 中所述。它包括嵌入查找和 Transformer 层，但不包括用于预测下一个 token 的头部。

默认构造函数提供了一个完全可自定义的、随机初始化的 Whisper 模型，具有任意数量的层、头和嵌入维度。要加载预设架构和权重，请使用 from_preset() 构造函数。

免责声明：预训练模型按“原样”提供，不附带任何形式的保证或条件。底层模型由第三方提供，并受单独的许可证约束，许可证可在此处获取。

参数

• vocabulary_size: int。token 词汇表的大小。
• num_layers: int。Transformer 编码器层和 Transformer 解码器层的数量。
• num_heads: int。每个 Transformer 的注意力头数。隐藏大小必须可被注意力头数整除。
• hidden_dim: int。Transformer 编码和池化层的大小。
• intermediate_dim: int。每个 Transformer 的两层前馈网络中第一个 Dense 层的输出维度。
• num_mels: int。mel 频率滤波器的数量。默认为 80。
• dropout: float。Transformer 编码器的 dropout 概率。
• max_encoder_sequence_length: int。音频编码器可以消耗的最大序列长度。由于编码器中的第二个卷积层将序列长度减半（步幅为 2），我们使用 max_encoder_sequence_length // 2 作为位置嵌入层的序列长度。
• max_decoder_sequence_length: int。文本解码器可以消耗的最大序列长度。
• dtype: string 或 keras.mixed_precision.DTypePolicy。用于模型计算和权重的 dtype。请注意，某些计算（例如 softmax 和层归一化）将始终以 float32 精度完成，而与 dtype 无关。

示例

input_data = {
    "encoder_features": np.ones(shape=(1, 12, 80), dtype="int32"),
    "decoder_token_ids": np.ones(shape=(1, 12), dtype="int32"),
    "decoder_padding_mask": np.array(
        [[1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0]]
    ),
}

# Randomly initialized Whisper encoder-decoder model with a custom config.
model = keras_hub.models.WhisperBackbone(
    vocabulary_size=51864,
    num_layers=4,
    num_heads=4,
    hidden_dim=256,
    intermediate_dim=512,
    max_encoder_sequence_length=128,
    max_decoder_sequence_length=128,
)
model(input_data)

[来源]

from_preset 方法

WhisperBackbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Backbone。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递

1. 内置预设标识符，如 'bert_base_en'
2. Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式调用。可以从基类调用，如 keras_hub.models.Backbone.from_preset()，也可以从模型类调用，如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

参数

• preset: string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights: bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

示例

# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)