Hugging Face's logo

Transformers documentation

MusicGen

You are viewing main version, which requires installation from source. If you'd like regular pip install, checkout the latest stable version (v5.22.1).
Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

Este modelo foi publicado no HF papers em 2023-06-08 e contribuído para o Hugging Face Transformers em 2023-06-29.

MusicGen

FlashAttention SDPA

Visão geral

O modelo MusicGen foi proposto no artigo Simple and Controllable Music Generation, de Jade Copet, Felix Kreuk, Itai Gat, Tal Remez, David Kant, Gabriel Synnaeve, Yossi Adi e Alexandre Défossez.

MusicGen é um modelo Transformer auto-regressivo de estágio único capaz de gerar amostras de música de alta qualidade condicionadas em descrições de texto ou prompts de áudio. As descrições de texto são processadas por um modelo de codificador de texto congelado para obter uma sequência de representações de estados ocultos. Em seguida, o MusicGen é treinado para prever tokens de áudio discretos, ou códigos de áudio, condicionados nesses estados ocultos. Esses tokens de áudio são então decodificados usando um modelo de compressão de áudio, como o EnCodec, para recuperar a forma de onda do áudio.

Por meio de um padrão eficiente de intercalamento de tokens, o MusicGen não requer uma representação semântica auto-supervisionada dos prompts de texto/áudio, eliminando assim a necessidade de encadear múltiplos modelos para prever um conjunto de codebooks (por exemplo, de forma hierárquica ou por upsampling). Em vez disso, ele é capaz de gerar todos os codebooks em uma única passagem de frente.

O resumo do artigo é o seguinte:

Abordamos a tarefa de geração condicional de música. Apresentamos o MusicGen, um único Language Model (LM) que opera sobre vários fluxos de representação musical discreta e comprimida, ou seja, tokens. Diferentemente de trabalhos anteriores, o MusicGen é composto por um LM transformer de estágio único, juntamente com padrões eficientes de intercalação de tokens, o que elimina a necessidade de encadear vários modelos, por exemplo, de forma hierárquica ou por upsampling. Seguindo essa abordagem, demonstramos como o MusicGen pode gerar amostras de alta qualidade, sendo condicionado por descrições textuais ou características melódicas, permitindo um melhor controle sobre a saída gerada. Realizamos uma avaliação empírica extensa, considerando tanto estudos automáticos quanto humanos, mostrando que a abordagem proposta é superior aos baselines avaliados em um benchmark padrão de texto para música. Por meio de estudos de ablação, destacamos a importância de cada um dos componentes que compõem o MusicGen.

Este modelo foi contribuído por sanchit-gandhi. O código original pode ser encontrado aqui. Os checkpoints pré-treinados podem ser encontrados no Hugging Face Hub.

Dicas de uso

  • Após baixar os checkpoints originais de aqui , você pode convertê-los usando o script de conversão disponível em src/transformers/models/musicgen/convert_musicgen_transformers.py com o seguinte comando:
python src/transformers/models/musicgen/convert_musicgen_transformers.py \
    --checkpoint small --pytorch_dump_folder /output/path

Geração

MusicGen é compatível com dois modos de geração: greedy e sampling. Na prática, o sampling leva a resultados significativamente melhores do que o greedy, portanto, incentivamos o uso do modo sampling sempre que possível. O sampling é habilitado por padrão e pode ser especificado explicitamente definindo do_sample=True na chamada para MusicgenForConditionalGeneration.generate(), ou sobrescrevendo a configuração de geração do modelo (veja abaixo).

A geração é limitada pelos embeddings posicionais senoidais a entradas de 30 segundos. Isso significa que o MusicGen não pode gerar mais de 30 segundos de áudio (1503 tokens) e o áudio de entrada fornecido pela Geração com Prompt de Áudio contribui para esse limite; portanto, dado um áudio de entrada de 20 segundos, o MusicGen não pode gerar mais de 10 segundos de áudio adicional.

O Transformers suporta tanto as variantes mono (1 canal) quanto estéreo (2 canais) do MusicGen. As versões de canal mono geram um único conjunto de codebooks. As versões estéreo geram 2 conjuntos de codebooks, 1 para cada canal (esquerda/direita), e cada conjunto de codebooks é decodificado independentemente por meio do modelo de compressão de áudio. Os fluxos de áudio de cada canal são combinados para produzir a saída estéreo final.

Geração Incondicional

As entradas para a geração incondicional (ou 'nula') podem ser obtidas por meio do método MusicgenForConditionalGeneration.get_unconditional_inputs():

from transformers import MusicgenForConditionalGeneration


model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", device_map="auto")
unconditional_inputs = model.get_unconditional_inputs(num_samples=1)

audio_values = model.generate(**unconditional_inputs, do_sample=True, max_new_tokens=256)

As saídas de áudio são um tensor Torch tridimensional com a forma (batch_size, num_channels, sequence_length). Para ouvir as amostras de áudio geradas, você pode reproduzi-las em um notebook ipynb:

from IPython.display import Audio


sampling_rate = model.config.audio_encoder.sampling_rate
Audio(audio_values[0].numpy(), rate=sampling_rate)

Ou salve-os como um arquivo .wav usando uma biblioteca de terceiros, por exemplo, scipy:

import scipy


sampling_rate = model.config.audio_encoder.sampling_rate
scipy.io.wavfile.write("musicgen_out.wav", rate=sampling_rate, data=audio_values[0, 0].numpy())

Geração Condicionada por Texto

O modelo pode gerar uma amostra de áudio condicionada a um prompt de texto por meio do uso do MusicgenProcessor para pré-processar as entradas:

from transformers import AutoProcessor, MusicgenForConditionalGeneration


processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", device_map="auto")

inputs = processor(
    text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
    padding=True,
    return_tensors="pt",
)
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

O guidance_scale é usado no classifier free guidance (CFG), definindo o peso entre os logits condicionais (que são previstos a partir dos prompts de texto) e os logits incondicionais (que são previstos a partir de um prompt incondicional ou ‘nulo’). Um guidance scale mais alto incentiva o modelo a gerar amostras mais estreitamente ligadas ao prompt de entrada, geralmente em detrimento de uma pior qualidade de áudio. O CFG é ativado ao definir guidance_scale > 1. Para obter os melhores resultados, use guidance_scale=3 (padrão).

Geração com Prompt de Áudio

O mesmo MusicgenProcessor pode ser usado para pré-processar um prompt de áudio que é utilizado para continuação de áudio. No exemplo a seguir, carregamos um arquivo de áudio usando a biblioteca 🤗 Datasets, que pode ser instalada via pip por meio do comando abaixo:

pip install --upgrade pip
pip install datasets[audio]
from datasets import load_dataset

from transformers import AutoProcessor, MusicgenForConditionalGeneration


processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", device_map="auto")

dataset = load_dataset("sanchit-gandhi/gtzan", split="train", streaming=True)
sample = next(iter(dataset))["audio"]

# take the first half of the audio sample
sample["array"] = sample["array"][: len(sample["array"]) // 2]

inputs = processor(
    audio=sample["array"],
    sampling_rate=sample["sampling_rate"],
    text=["80s blues track with groovy saxophone"],
    padding=True,
    return_tensors="pt",
)
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

Para geração em lote com prompt de áudio, os audio_values gerados podem ser pós-processados para remover o padding usando a classe MusicgenProcessor:

from datasets import load_dataset

from transformers import AutoProcessor, MusicgenForConditionalGeneration


processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", device_map="auto")

dataset = load_dataset("sanchit-gandhi/gtzan", split="train", streaming=True)
sample = next(iter(dataset))["audio"]

# take the first quarter of the audio sample
sample_1 = sample["array"][: len(sample["array"]) // 4]

# take the first half of the audio sample
sample_2 = sample["array"][: len(sample["array"]) // 2]

inputs = processor(
    audio=[sample_1, sample_2],
    sampling_rate=sample["sampling_rate"],
    text=["80s blues track with groovy saxophone", "90s rock song with loud guitars and heavy drums"],
    padding=True,
    return_tensors="pt",
)
audio_values = model.generate(**inputs, do_sample=True, guidance_scale=3, max_new_tokens=256)

# post-process to remove padding from the batched audio
audio_values = processor.batch_decode(audio_values, padding_mask=inputs.padding_mask)

Configuração de Geração

Os parâmetros padrão que controlam o processo de geração, como amostragem, escala de orientação e número de tokens gerados, podem ser encontrados na configuração de geração do modelo e atualizados conforme desejado:

from transformers import MusicgenForConditionalGeneration


model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", device_map="auto")

# inspect the default generation config
model.generation_config

# increase the guidance scale to 4.0
model.generation_config.guidance_scale = 4.0

# decrease the max length to 256 tokens
model.generation_config.max_length = 256

Observe que quaisquer argumentos passados para o método generate substituem os da configuração de geração, portanto, definir do_sample=False na chamada para generate substituirá a configuração de model.generation_config.do_sample na configuração de geração.

Estrutura do Modelo

O modelo MusicGen pode ser decomposto em três etapas distintas:

  1. Codificador de texto: mapeia as entradas de texto para uma sequência de representações de estado oculto. Os modelos MusicGen pré-treinados usam um codificador de texto congelado do T5 ou do Flan-T5
  2. Decoder do MusicGen: um modelo de linguagem (LM) que gera tokens de áudio (ou códigos) de forma auto-regressiva, condicionado às representações de estados ocultos do codificador
  3. Codificador/decodificador de áudio: usado para codificar um prompt de áudio para uso como tokens de prompt e para recuperar a forma de onda do áudio a partir dos tokens de áudio previstos pelo decodificador

Assim, o modelo MusicGen pode ser usado como um modelo decodificador autônomo, correspondente à classe MusicgenForCausalLM, ou como um modelo composto que inclui o codificador de texto e o codificador/decodificador de áudio, correspondente à classe MusicgenForConditionalGeneration. Se apenas o decodificador precisar ser carregado do checkpoint pré-treinado, ele pode ser carregado primeiro especificando a configuração correta, ou acessado por meio do atributo .decoder do modelo composto:

from transformers import AutoConfig, MusicgenForCausalLM, MusicgenForConditionalGeneration


# Option 1: get decoder config and pass to `.from_pretrained`
decoder_config = AutoConfig.from_pretrained("facebook/musicgen-small").decoder
decoder = MusicgenForCausalLM.from_pretrained("facebook/musicgen-small", **decoder_config, device_map="auto")

# Option 2: load the entire composite model, but only return the decoder
decoder = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small", device_map="auto").decoder

Como os modelos de codificador de texto e de codificador/decodificador de áudio são congelados durante o treinamento, o decodificador MusicGen MusicgenForCausalLM pode ser treinado de forma independente em um conjunto de dados de estados ocultos do codificador e códigos de áudio. Para inferência, o decodificador treinado pode ser combinado com o codificador de texto congelado e os codificadores/decodificadores de áudio para recuperar o modelo composto MusicgenForConditionalGeneration.

Dicas:

  • MusicGen é treinado no checkpoint de 32kHz do Encodec. Você deve garantir que está usando uma versão compatível do modelo Encodec.
  • O modo de amostragem tende a entregar melhores resultados do que o modo guloso - você pode alternar a amostragem com a variável do_sample na chamada para MusicgenForConditionalGeneration.generate()

MusicgenDecoderConfig

classe transformers.MusicgenDecoderConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonevocab_size: int = 2048max_position_embeddings: int = 2048num_hidden_layers: int = 24ffn_dim: int = 4096num_attention_heads: int = 16layerdrop: float | int = 0.0use_cache: bool = Trueactivation_function: str = 'gelu'hidden_size: int = 1024dropout: float | int = 0.1attention_dropout: float | int = 0.0activation_dropout: float | int = 0.0initializer_factor: float = 0.02scale_embedding: bool = Falsenum_codebooks: int = 4audio_channels: int = 1pad_token_id: int | None = 2048bos_token_id: int | None = 2048eos_token_id: int | list[int] | None = Nonetie_word_embeddings: bool = Falseis_decoder: bool = Falseadd_cross_attention: bool = Falsecross_attention_hidden_size: int | None = None )

Parâmetros

  • vocab_size (int, opcional, padrão 2048) — Tamanho do vocabulário do modelo. Define o número de tokens diferentes que podem ser representados pelos input_ids.
  • max_position_embeddings (int, opcional, padrão 2048) — O comprimento máximo de sequência com o qual este modelo pode ser utilizado.
  • num_hidden_layers (int, opcional, padrão 24) — Número de camadas ocultas no decodificador do Transformer.
  • ffn_dim (int, opcional, padrão 4096) — Dimensão das representações do MLP.
  • num_attention_heads (int, opcional, padrão 16) — Número de cabeças de atenção para cada camada de atenção no decodificador do Transformer.
  • layerdrop (Union[float, int], opcional, padrão 0.0) — A probabilidade de LayerDrop. Consulte o [artigo do LayerDrop](veja https://huggingface.co/papers/1909.11556) para mais detalhes.
  • use_cache (bool, opcional, padrão True) — Se o modelo deve ou não retornar as últimas chaves/valores de atenção (não usado por todos os modelos). Relevante apenas se config.is_decoder=True ou quando o modelo for um modelo generativo somente decodificador.
  • activation_function (str, opcional, padrão gelu) — A função de ativação não linear (função ou string) no decodificador. Por exemplo, "gelu", "relu", "silu", etc.
  • hidden_size (int, opcional, padrão 1024) — Dimensão das representações ocultas.
  • dropout (Union[float, int], opcional, padrão 0.1) — A proporção para todas as camadas de dropout.
  • attention_dropout (Union[float, int], opcional, padrão 0.0) — A taxa de dropout para as probabilidades de atenção.
  • activation_dropout (Union[float, int], opcional, padrão 0.0) — A taxa de dropout para as ativações dentro da camada totalmente conectada.
  • initializer_factor (float, opcional, padrão 0.02) — Fator para inicializar todas as matrizes de pesos (deve ser mantido em 1, usado internamente para testes de inicialização).
  • scale_embedding (bool, opcional, padrão False) — Se as embeddings devem ser escalonadas dividindo por sqrt(d_model).
  • num_codebooks (int, opcional, padrão 4) — O número de codebooks paralelos usados pelo modelo.
  • audio_channels (int, opcional, padrão 1) — O número de canais de entrada.
  • pad_token_id (int, opcional, padrão 2048) — ID do token usado para preenchimento no vocabulário.
  • bos_token_id (int, opcional, padrão 2048) — ID do token usado para o início do fluxo no vocabulário.
  • eos_token_id (Union[int, list[int]], opcional) — ID do token usado para o fim do fluxo no vocabulário.
  • tie_word_embeddings (bool, opcional, padrão False) — Se deve vincular as embeddings de pesos de acordo com o mapeamento tied_weights_keys do modelo.
  • is_decoder (bool, opcional, padrão False) — Indica se o modelo é usado como decodificador ou não. Se False, o modelo é usado como codificador.
  • add_cross_attention (bool, opcional, padrão False) — Se camadas de atenção cruzada devem ser adicionadas ao modelo.
  • cross_attention_hidden_size (int, opcional) — Tamanho oculto das saídas do codificador projetado no espaço de chave/valor da atenção cruzada do decodificador. Usado quando o codificador e o decodificador possuem tamanhos ocultos diferentes.

Esta é a classe de configuração para armazenar a configuração de um MusicgenModel. Ela é usada para instanciar um modelo Musicgen de acordo com os argumentos especificados, definindo a arquitetura do modelo. Instanciar uma configuração com os padrões resultará em uma configuração semelhante à do facebook/musicgen-small

Os objetos de configuração herdam de PreTrainedConfig e podem ser usados para controlar as saídas do modelo. Consulte a documentação de PreTrainedConfig para mais informações.

MusicgenConfig

classe transformers.MusicgenConfig

< >

( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonetext_encoder: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneaudio_encoder: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonedecoder: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneinitializer_factor: float = 0.02 )

Parâmetros

  • text_encoder (Union[dict, PretrainedConfig]) — Uma instância de um objeto de configuração que define a configuração do codificador de texto.
  • audio_encoder (Union[dict, PretrainedConfig]) — Uma instância de um objeto de configuração que define a configuração do codificador de áudio.
  • decoder (Union[dict, PretrainedConfig]) — Uma instância de um objeto de configuração que define a configuração do decoder.
  • initializer_factor (float, opcional, padrão 0.02) — Fator para inicializar todas as matrizes de pesos (deve ser mantido em 1, usado internamente para testes de inicialização).

Esta é a classe de configuração para armazenar a configuração de um MusicgenModel. Ela é usada para instanciar um modelo Musicgen de acordo com os argumentos especificados, definindo a arquitetura do modelo. Instanciar uma configuração com os padrões resultará em uma configuração semelhante à do facebook/musicgen-small

Os objetos de configuração herdam de PreTrainedConfig e podem ser usados para controlar as saídas do modelo. Consulte a documentação de PreTrainedConfig para mais informações.

Exemplo:

>>> from transformers import (
...     MusicgenConfig,
...     MusicgenDecoderConfig,
...     T5Config,
...     EncodecConfig,
...     MusicgenForConditionalGeneration,
... )

>>> # Initializing text encoder, audio encoder, and decoder model configurations
>>> text_encoder_config = T5Config()
>>> audio_encoder_config = EncodecConfig()
>>> decoder_config = MusicgenDecoderConfig()

>>> configuration = MusicgenConfig(
...     text_encoder=text_encoder_config,
...     audio_encoder=audio_encoder_config,
...     decoder=decoder_config,
... )

>>> # Initializing a MusicgenForConditionalGeneration (with random weights) from the facebook/musicgen-small style configuration
>>> model = MusicgenForConditionalGeneration(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
>>> config_text_encoder = model.config.text_encoder
>>> config_audio_encoder = model.config.audio_encoder
>>> config_decoder = model.config.decoder

>>> # Saving the model, including its configuration
>>> model.save_pretrained("musicgen-model")

>>> # loading model and config from pretrained folder
>>> musicgen_config = MusicgenConfig.from_pretrained("musicgen-model")
>>> model = MusicgenForConditionalGeneration.from_pretrained("musicgen-model", config=musicgen_config)

MusicgenProcessor

classe transformers.MusicgenProcessor

< >

( feature_extractortokenizer )

Parâmetros

  • feature_extractor (EncodecFeatureExtractor) — O extrator de recursos é uma entrada obrigatória.
  • tokenizer (T5Tokenizer) — O tokenizer é uma entrada obrigatória.

Constrói um MusicgenProcessor que encapsula um extrator de recursos e um tokenizador em um único processador.

MusicgenProcessor oferece todas as funcionalidades de EncodecFeatureExtractor e T5Tokenizer. Consulte ~EncodecFeatureExtractor e ~T5Tokenizer para mais informações.

__call__

< >

( *args**kwargs )

Parâmetros

  • return_tensors (str ou TensorType, opcional) — Se definido, retornará tensors de um framework específico. Os valores aceitos são:
    • 'pt': Retorna objetos torch.Tensor do PyTorch.
    • 'np': Retorna objetos np.ndarray do NumPy.

MusicgenModel

classe transformers.MusicgenModel

< >

( config: MusicgenDecoderConfig )

Parâmetros

  • config (MusicgenDecoderConfig) — Classe de configuração do modelo com todos os parâmetros do modelo. A inicialização com um arquivo de configuração não carrega os pesos associados ao modelo, apenas a configuração. Consulte o método from_pretrained() para carregar os pesos do modelo.

O modelo Musicgen básico, que gera estados ocultos brutos sem nenhum head específico no topo.

Este modelo herda de PreTrainedModel. Consulte a documentação da classe pai para os métodos genéricos que a biblioteca implementa para todos os seus modelos (como download ou salvamento, redimensionamento dos embeddings de entrada, poda de cabeças, etc.)

Este modelo também é uma subclasse de torch.nn.Module do PyTorch. Use-o como um Módulo PyTorch regular e consulte a documentação do PyTorch para todos os assuntos relacionados ao uso geral e ao comportamento.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: typing.Optional[torch.Tensor] = Noneencoder_attention_mask: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → BaseModelOutputWithPastAndCrossAttentions or tuple(torch.Tensor)

Parâmetros

  • input_ids (torch.LongTensor de forma (batch_size * num_codebooks, sequence_length)) — Índices dos tokens da sequência de entrada no vocabulário, correspondentes à sequência de códigos de áudio. Os índices podem ser obtidos codificando um prompt de áudio com um modelo de codificador de áudio para prever códigos de áudio, como com o EncodecModel. Consulte EncodecModel.encode() para mais detalhes. O que são IDs de entrada? Os input_ids serão convertidos automaticamente da forma (batch_size * num_codebooks, target_sequence_length) para (batch_size, num_codebooks, target_sequence_length) na passagem direta. Se você obtiver códigos de áudio de um modelo de codificação de áudio, como o EncodecModel, certifique-se de que o número de quadros seja igual a 1 e de que você redimensione os códigos de áudio de (frames, batch_size, num_codebooks, target_sequence_length) para (batch_size * num_codebooks, target_sequence_length) antes de passá-los como input_ids.

    Os índices podem ser obtidos codificando um prompt de áudio com um modelo de codificador de áudio para prever códigos de áudio, como com o EncodecModel. Consulte EncodecModel.encode() para mais detalhes.

    O que são IDs de entrada?

    O input_ids será convertido automaticamente da forma (batch_size * num_codebooks, target_sequence_length) para (batch_size, num_codebooks, target_sequence_length) na passagem direta. Se você obtiver códigos de áudio de um modelo de codificação de áudio, como o EncodecModel, certifique-se de que o número de quadros seja igual a 1 e de que você redimensione os códigos de áudio de (frames, batch_size, num_codebooks, target_sequence_length) para (batch_size * num_codebooks, target_sequence_length) antes de passá-los como input_ids.

  • attention_mask (torch.Tensor de forma (batch_size, sequence_length), opcional) — Máscara para evitar a execução de atenção nos índices de tokens de preenchimento. Valores de máscara selecionados em [0, 1]:
    • 1 para tokens que não estão mascarados,
    • 0 para tokens que estão mascarados.

    O que são máscaras de atenção?

  • encoder_hidden_states (torch.Tensor de forma (batch_size, encoder_sequence_length, hidden_size), opcional) — Sequência de hidden-states na saída da última camada do encoder. Usada na cross-attention do decoder.
  • encoder_attention_mask (torch.LongTensor de forma (batch_size, encoder_sequence_length), opcional) — Máscara para evitar a execução de cross-attention nos índices de tokens de padding de encoder input_ids. Valores da máscara selecionados em [0, 1]:
    • 1 para tokens que não estão mascarados,
    • 0 para tokens que estão mascarados.

    O que são máscaras de atenção?

  • past_key_values (~cache_utils.Cache, opcional) — Estados ocultos pré-computados (chaves e valores nos blocos de autoatenção e nos blocos de atenção cruzada) que podem ser usados para acelerar a decodificação sequencial. Isso geralmente consiste no past_key_values retornado pelo modelo em uma etapa anterior da decodificação, quando use_cache=True ou config.use_cache=True.

    Apenas uma instância de Cache é permitida como entrada, consulte nosso guia de cache de kv. Se nenhum past_key_values for passado, DynamicCache será inicializado por padrão.

    O modelo sairá no mesmo formato de cache que é fornecido como entrada.

    Se past_key_values forem usados, espera-se que o usuário insira apenas os input_ids não processados (aqueles que não têm seus estados de chave e valor passados fornecidos a este modelo) com a forma (batch_size, unprocessed_length), em vez de todos os input_ids com a forma (batch_size, sequence_length).

  • inputs_embeds (torch.Tensor de forma (batch_size, sequence_length, hidden_size), opcional) — Opcionalmente, em vez de passar input_ids, você pode escolher passar diretamente uma representação incorporada. Isso é útil se você quiser ter mais controle sobre como converter os índices de input_ids nos vetores associados do que a matriz de busca de incorporação interna do modelo.
  • use_cache (bool, opcional) — Se definido como True, os estados de chave-valor past_key_values são retornados e podem ser usados para acelerar a decodificação (veja past_key_values).

Retorna

BaseModelOutputWithPastAndCrossAttentions ou tuple(torch.Tensor)

Um BaseModelOutputWithPastAndCrossAttentions ou uma tupla de torch.Tensor (se return_dict=False for passado ou quando config.return_dict=False) contendo vários elementos, dependendo da configuração (MusicgenConfig) e das entradas.

O método forward do MusicgenModel sobrescreve o método especial __call__.

Embora a receita para a passagem direta precise ser definida dentro desta função, deve-se chamar a instância de Module em seguida, em vez desta, pois a primeira cuida da execução das etapas de pré e pós-processamento, enquanto a segunda as ignora silenciosamente.

  • last_hidden_state (torch.Tensor de forma (batch_size, sequence_length, hidden_size)) — Sequência de estados ocultos na saída da última camada do modelo.

    Se past_key_values for usado, apenas o último hidden-state das sequências, com forma (batch_size, 1, hidden_size), é retornado.

  • past_key_values (Cache, opcional, retornado quando use_cache=True é passado ou quando config.use_cache=True) — É uma instância de Cache. Para mais detalhes, consulte nosso guia de cache kv.

    Contém estados ocultos pré-computados (chaves e valores nos blocos de autoatenção e, opcionalmente, se config.is_encoder_decoder=True, nos blocos de atenção cruzada) que podem ser usados (veja a entrada past_key_values) para acelerar a decodificação sequencial.

  • hidden_states (tuple(torch.Tensor), opcional, retornado quando output_hidden_states=True é passado ou quando config.output_hidden_states=True) — Tupla de torch.Tensor (um para a saída dos embeddings, se o modelo tiver uma camada de embedding, + um para a saída de cada camada) de forma (batch_size, sequence_length, hidden_size).

    Estados ocultos do modelo na saída de cada camada, além das saídas opcionais do embedding inicial.

  • attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True é passado ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atenção após o softmax de atenção, usados para calcular a média ponderada nos cabeçalhos de autoatenção.

  • cross_attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True e config.add_cross_attention=True são passados ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atenção da camada de atenção cruzada do decodificador, após o softmax de atenção, usados para calcular a média ponderada nas cabeças de atenção cruzada.

MusicgenForCausalLM

classe transformers.MusicgenForCausalLM

< >

( config: MusicgenDecoderConfig )

Parâmetros

  • config (MusicgenDecoderConfig) — Classe de configuração do modelo com todos os parâmetros do modelo. A inicialização com um arquivo de configuração não carrega os pesos associados ao modelo, apenas a configuração. Consulte o método from_pretrained() para carregar os pesos do modelo.

O modelo decodificador do MusicGen com uma cabeça de modelagem de linguagem no topo.

Este modelo herda de PreTrainedModel. Consulte a documentação da classe pai para os métodos genéricos que a biblioteca implementa para todos os seus modelos (como download ou salvamento, redimensionamento dos embeddings de entrada, poda de cabeças, etc.)

Este modelo também é uma subclasse de torch.nn.Module do PyTorch. Use-o como um Módulo PyTorch regular e consulte a documentação do PyTorch para todos os assuntos relacionados ao uso geral e ao comportamento.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Noneencoder_hidden_states: typing.Optional[torch.Tensor] = Noneencoder_attention_mask: typing.Optional[torch.LongTensor] = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → CausalLMOutputWithCrossAttentions or tuple(torch.Tensor)

Parâmetros

  • input_ids (torch.LongTensor de forma (batch_size * num_codebooks, sequence_length)) — Índices dos tokens da sequência de entrada no vocabulário, correspondentes à sequência de códigos de áudio. Os índices podem ser obtidos codificando um prompt de áudio com um modelo de codificador de áudio para prever códigos de áudio, como com o EncodecModel. Consulte EncodecModel.encode() para mais detalhes. O que são IDs de entrada? Os input_ids serão convertidos automaticamente da forma (batch_size * num_codebooks, target_sequence_length) para (batch_size, num_codebooks, target_sequence_length) na passagem direta. Se você obtiver códigos de áudio de um modelo de codificação de áudio, como o EncodecModel, certifique-se de que o número de quadros seja igual a 1 e de que você redimensione os códigos de áudio de (frames, batch_size, num_codebooks, target_sequence_length) para (batch_size * num_codebooks, target_sequence_length) antes de passá-los como input_ids.

    Os índices podem ser obtidos codificando um prompt de áudio com um modelo de codificador de áudio para prever códigos de áudio, como com o EncodecModel. Consulte EncodecModel.encode() para mais detalhes.

    O que são IDs de entrada?

    O input_ids será convertido automaticamente da forma (batch_size * num_codebooks, target_sequence_length) para (batch_size, num_codebooks, target_sequence_length) na passagem direta. Se você obtiver códigos de áudio de um modelo de codificação de áudio, como o EncodecModel, certifique-se de que o número de quadros seja igual a 1 e de que você redimensione os códigos de áudio de (frames, batch_size, num_codebooks, target_sequence_length) para (batch_size * num_codebooks, target_sequence_length) antes de passá-los como input_ids.

  • attention_mask (torch.Tensor de forma (batch_size, sequence_length), opcional) — Máscara para evitar a execução de atenção nos índices de tokens de preenchimento. Valores de máscara selecionados em [0, 1]:
    • 1 para tokens que não estão mascarados,
    • 0 para tokens que estão mascarados.

    O que são máscaras de atenção?

  • encoder_hidden_states (torch.Tensor de forma (batch_size, encoder_sequence_length, hidden_size), opcional) — Sequência de hidden-states na saída da última camada do encoder. Usada na cross-attention do decoder.
  • encoder_attention_mask (torch.LongTensor de forma (batch_size, encoder_sequence_length), opcional) — Máscara para evitar a execução de cross-attention nos índices de tokens de padding de encoder input_ids. Valores da máscara selecionados em [0, 1]:
    • 1 para tokens que não estão mascarados,
    • 0 para tokens que estão mascarados.

    O que são máscaras de atenção?

  • past_key_values (~cache_utils.Cache, opcional) — Estados ocultos pré-computados (chaves e valores nos blocos de autoatenção e nos blocos de atenção cruzada) que podem ser usados para acelerar a decodificação sequencial. Isso geralmente consiste no past_key_values retornado pelo modelo em uma etapa anterior da decodificação, quando use_cache=True ou config.use_cache=True.

    Apenas uma instância de Cache é permitida como entrada, consulte nosso guia de cache de kv. Se nenhum past_key_values for passado, DynamicCache será inicializado por padrão.

    O modelo sairá no mesmo formato de cache que é fornecido como entrada.

    Se past_key_values forem usados, espera-se que o usuário insira apenas os input_ids não processados (aqueles que não têm seus estados de chave e valor passados fornecidos a este modelo) com a forma (batch_size, unprocessed_length), em vez de todos os input_ids com a forma (batch_size, sequence_length).

  • inputs_embeds (torch.Tensor de forma (batch_size, sequence_length, hidden_size), opcional) — Opcionalmente, em vez de passar input_ids, você pode escolher passar diretamente uma representação incorporada. Isso é útil se você quiser ter mais controle sobre como converter os índices de input_ids nos vetores associados do que a matriz de busca de incorporação interna do modelo.
  • labels (torch.LongTensor de forma (batch_size, sequence_length, num_codebooks), opcional) — Rótulos para modelagem de linguagem. Observe que os rótulos são deslocados dentro do modelo, ou seja, você pode definir labels = input_ids Os índices são selecionados em [-100, 0, ..., config.vocab_size] Todos os rótulos definidos como -100 são ignorados (mascarados); a perda é calculada apenas para rótulos em [0, ..., config.vocab_size]
  • use_cache (bool, opcional) — Se definido como True, os estados de chave-valor past_key_values são retornados e podem ser usados para acelerar a decodificação (veja past_key_values).

Retorna

CausalLMOutputWithCrossAttentions ou tuple(torch.Tensor)

Um CausalLMOutputWithCrossAttentions ou uma tupla de torch.Tensor (se return_dict=False for passado ou quando config.return_dict=False) contendo vários elementos, dependendo da configuração (MusicgenConfig) e das entradas.

O método forward de MusicgenForCausalLM substitui o método especial __call__.

Embora a receita para a passagem direta precise ser definida dentro desta função, deve-se chamar a instância de Module em seguida, em vez desta, pois a primeira cuida da execução das etapas de pré e pós-processamento, enquanto a segunda as ignora silenciosamente.

  • loss (torch.Tensor de forma (1,), opcional, retornado quando labels é fornecido) — Perda de modelagem de linguagem (para previsão do próximo token).

  • logits (torch.Tensor de forma (batch_size, sequence_length, config.vocab_size)) — Pontuações de previsão da cabeça de modelagem de linguagem (pontuações para cada token do vocabulário antes do SoftMax).

  • hidden_states (tuple(torch.Tensor), opcional, retornado quando output_hidden_states=True é passado ou quando config.output_hidden_states=True) — Tupla de torch.Tensor (um para a saída dos embeddings, se o modelo tiver uma camada de embedding, + um para a saída de cada camada) de forma (batch_size, sequence_length, hidden_size).

    Estados ocultos do modelo na saída de cada camada, além das saídas opcionais do embedding inicial.

  • attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True é passado ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atenção após o softmax de atenção, usados para calcular a média ponderada nos cabeçalhos de autoatenção.

  • cross_attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True é passado ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos das atenções cruzadas após o softmax de atenção, usados para calcular a média ponderada nas cabeças de atenção cruzada.

  • past_key_values (Cache, opcional, retornado quando use_cache=True é passado ou quando config.use_cache=True) — É uma instância de Cache. Para mais detalhes, consulte nosso guia de cache kv.

    Contém estados ocultos pré-computados (chaves e valores nos blocos de atenção) que podem ser usados (veja a entrada past_key_values) para acelerar a decodificação sequencial.

Exemplo:

MusicgenForConditionalGeneration

classe transformers.MusicgenForConditionalGeneration

< >

( config: transformers.models.musicgen.configuration_musicgen.MusicgenConfig | None = Nonetext_encoder: transformers.modeling_utils.PreTrainedModel | None = Noneaudio_encoder: transformers.modeling_utils.PreTrainedModel | None = Nonedecoder: transformers.models.musicgen.modeling_musicgen.MusicgenForCausalLM | None = None )

Parâmetros

  • config (MusicgenConfig, opcional) — Classe de configuração do modelo com todos os parâmetros do modelo. A inicialização com um arquivo de configuração não carrega os pesos associados ao modelo, apenas a configuração. Consulte o método from_pretrained() para carregar os pesos do modelo.
  • text_encoder (PreTrainedModel, opcional) — O modelo de codificador de texto que codifica o texto em estados ocultos para condicionamento.
  • audio_encoder (PreTrainedModel, opcional) — O modelo de codificador de áudio que codifica o áudio em estados ocultos para condicionamento.
  • decoder (MusicgenForCausalLM, opcional) — O modelo decodificador que gera tokens de áudio com base em sinais de condicionamento.

O modelo composto MusicGen com um codificador de texto, um codificador de áudio e um decodificador Musicgen,

Este modelo herda de PreTrainedModel. Consulte a documentação da classe pai para os métodos genéricos que a biblioteca implementa para todos os seus modelos (como download ou salvamento, redimensionamento dos embeddings de entrada, poda de cabeças, etc.)

Este modelo também é uma subclasse de torch.nn.Module do PyTorch. Use-o como um Módulo PyTorch regular e consulte a documentação do PyTorch para todos os assuntos relacionados ao uso geral e ao comportamento.

forward

< >

( input_ids: typing.Optional[torch.LongTensor] = Noneattention_mask: typing.Optional[torch.BoolTensor] = Noneinput_values: typing.Optional[torch.Tensor] = Nonepadding_mask: typing.Optional[torch.BoolTensor] = Nonedecoder_input_ids: typing.Optional[torch.LongTensor] = Nonedecoder_attention_mask: typing.Optional[torch.BoolTensor] = Noneencoder_outputs: tuple[torch.Tensor] | None = Nonepast_key_values: transformers.cache_utils.Cache | None = Noneinputs_embeds: typing.Optional[torch.Tensor] = Nonedecoder_inputs_embeds: typing.Optional[torch.Tensor] = Nonelabels: typing.Optional[torch.LongTensor] = Noneuse_cache: bool | None = None**kwargs: *<class 'transformers.utils.generic.TransformersKwargs'> ) → Seq2SeqLMOutput or tuple(torch.Tensor)

Parâmetros

  • input_ids (torch.LongTensor de forma (batch_size, sequence_length), opcional) — Índices dos tokens da sequência de entrada no vocabulário. O padding será ignorado por padrão.

    Os índices podem ser obtidos usando AutoTokenizer. Consulte PreTrainedTokenizer.encode() e PreTrainedTokenizer.call() para mais detalhes.

    O que são IDs de entrada?

  • attention_mask (torch.BoolTensor de forma (batch_size, sequence_length), opcional) — Máscara para evitar a execução de atenção nos índices de tokens de preenchimento. Valores de máscara selecionados em [0, 1]:
    • 1 para tokens que não estão mascarados,
    • 0 para tokens que estão mascarados.

    O que são máscaras de atenção?

  • input_values (torch.Tensor de forma (batch_size, sequence_length), opcional) — Valores em ponto flutuante da forma de onda bruta de fala de entrada. Os valores podem ser obtidos carregando um arquivo de áudio .flac ou .wav em um array do tipo list[float], um numpy.ndarray ou um torch.Tensor, por exemplo, por meio da biblioteca torchcodec (pip install torchcodec) ou da biblioteca soundfile (pip install soundfile). Para preparar o array para input_values, o AutoProcessor deve ser usado para padding e conversão em um tensor do tipo torch.Tensor. Consulte MusicgenProcessor.call() para mais detalhes.
  • padding_mask (torch.BoolTensor de forma (batch_size, sequence_length), opcional) — Máscara para evitar a execução de atenção nos índices de tokens de padding. Valores de máscara selecionados em [0, 1]:
    • 1 para tokens que não estão mascarados,
    • 0 para tokens que estão mascarados.

    O que são máscaras de atenção?

  • decoder_input_ids (torch.LongTensor de forma (batch_size * num_codebooks, target_sequence_length), opcional) — Índices dos tokens da sequência de entrada do decodificador no vocabulário, correspondentes à sequência de códigos de áudio. Os índices podem ser obtidos codificando um prompt de áudio com um modelo de codificador de áudio para prever códigos de áudio, como com o EncodecModel. Consulte EncodecModel.encode() para mais detalhes. O que são IDs de entrada do decodificador? Os decoder_input_ids serão automaticamente convertidos da forma (batch_size * num_codebooks, target_sequence_length) para (batch_size, num_codebooks, target_sequence_length) na passagem direta. Se você obtiver códigos de áudio de um modelo de codificação de áudio, como o EncodecModel, certifique-se de que o número de quadros seja igual a 1 e de que você redimensione os códigos de áudio de (frames, batch_size, num_codebooks, target_sequence_length) para (batch_size * num_codebooks, target_sequence_length) antes de passá-los como decoder_input_ids.

    Os índices podem ser obtidos codificando um prompt de áudio com um modelo de codificador de áudio para prever códigos de áudio, como com o EncodecModel. Consulte EncodecModel.encode() para mais detalhes.

    O que são IDs de entrada do decodificador?

    O decoder_input_ids será automaticamente convertido da forma (batch_size * num_codebooks, target_sequence_length) para (batch_size, num_codebooks, target_sequence_length) na passagem direta. Se você obtiver códigos de áudio de um modelo de codificação de áudio, como o EncodecModel, certifique-se de que o número de quadros seja igual a 1 e de que você redimensione os códigos de áudio de (frames, batch_size, num_codebooks, target_sequence_length) para (batch_size * num_codebooks, target_sequence_length) antes de passá-los como decoder_input_ids.

  • decoder_attention_mask (torch.LongTensor de forma (batch_size, target_sequence_length), opcional) — Comportamento padrão: gera um tensor que ignora tokens de preenchimento em decoder_input_ids. A máscara causal também será usada por padrão.
  • encoder_outputs (tuple[torch.Tensor], opcional) — A tupla consiste em (last_hidden_state, opcional: hidden_states, opcional: attentions) last_hidden_state de forma (batch_size, sequence_length, hidden_size), opcional) é uma sequência de hidden-states na saída da última camada do encoder. Usado na cross-attention do decoder.
  • past_key_values (~cache_utils.Cache, opcional) — Estados ocultos pré-computados (chaves e valores nos blocos de autoatenção e nos blocos de atenção cruzada) que podem ser usados para acelerar a decodificação sequencial. Isso geralmente consiste no past_key_values retornado pelo modelo em uma etapa anterior da decodificação, quando use_cache=True ou config.use_cache=True.

    Apenas uma instância de Cache é permitida como entrada, consulte nosso guia de cache de kv. Se nenhum past_key_values for passado, DynamicCache será inicializado por padrão.

    O modelo sairá no mesmo formato de cache que é fornecido como entrada.

    Se past_key_values forem usados, espera-se que o usuário insira apenas os input_ids não processados (aqueles que não têm seus estados de chave e valor passados fornecidos a este modelo) com a forma (batch_size, unprocessed_length), em vez de todos os input_ids com a forma (batch_size, sequence_length).

  • inputs_embeds (torch.Tensor de forma (batch_size, sequence_length, hidden_size), opcional) — Opcionalmente, em vez de passar input_ids, você pode escolher passar diretamente uma representação incorporada. Isso é útil se você quiser ter mais controle sobre como converter os índices de input_ids nos vetores associados do que a matriz de busca de incorporação interna do modelo.
  • decoder_inputs_embeds (torch.Tensor de forma (batch_size, target_sequence_length, hidden_size), opcional) — Opcionalmente, em vez de passar decoder_input_ids você pode escolher passar diretamente uma representação incorporada. Se past_key_values for usado, opcionalmente apenas o último decoder_inputs_embeds precisa ser entrada (veja past_key_values). Isso é útil se você quiser mais controle sobre como converter decoder_input_ids índices em vetores associados do que a matriz de busca de incorporação interna do modelo.

    Se decoder_input_ids e decoder_inputs_embeds estiverem ambos não definidos, decoder_inputs_embeds assume o valor de inputs_embeds.

  • labels (torch.LongTensor de forma (batch_size, sequence_length, num_codebooks), opcional) — Rótulos para modelagem de linguagem. Observe que os rótulos são deslocados dentro do modelo, ou seja, você pode definir labels = input_ids Os índices são selecionados em [-100, 0, ..., config.vocab_size] Todos os rótulos definidos como -100 são ignorados (mascarados); a perda é calculada apenas para rótulos em [0, ..., config.vocab_size]
  • use_cache (bool, opcional) — Se definido como True, os estados de chave-valor past_key_values são retornados e podem ser usados para acelerar a decodificação (veja past_key_values).

Retorna

Seq2SeqLMOutput ou tuple(torch.Tensor)

Um Seq2SeqLMOutput ou uma tupla de torch.Tensor (se return_dict=False for passado ou quando config.return_dict=False) contendo vários elementos, dependendo da configuração (MusicgenConfig) e das entradas.

O método forward de MusicgenForConditionalGeneration substitui o método especial __call__.

Embora a receita para a passagem direta precise ser definida dentro desta função, deve-se chamar a instância de Module em seguida, em vez desta, pois a primeira cuida da execução das etapas de pré e pós-processamento, enquanto a segunda as ignora silenciosamente.

  • loss (torch.Tensor de forma (1,), opcional, retornado quando labels é fornecido) — Perda de modelagem de linguagem.

  • logits (torch.Tensor de forma (batch_size, sequence_length, config.vocab_size)) — Pontuações de previsão da cabeça de modelagem de linguagem (pontuações para cada token do vocabulário antes do SoftMax).

  • past_key_values (EncoderDecoderCache, opcional, retornado quando use_cache=True é passado ou quando config.use_cache=True) — Trata-se de uma instância de EncoderDecoderCache. Para mais detalhes, consulte nosso guia de cache kv.

    Contém estados ocultos pré-computados (chaves e valores nos blocos de autoatenção e nos blocos de atenção cruzada) que podem ser usados (veja a entrada past_key_values) para acelerar a decodificação sequencial.

  • decoder_hidden_states (tuple(torch.Tensor), opcional, retornado quando output_hidden_states=True é passado ou quando config.output_hidden_states=True) — Tupla de torch.Tensor (um para a saída dos embeddings, se o modelo tiver uma camada de embedding, + um para a saída de cada camada) de forma (batch_size, sequence_length, hidden_size).

    Estados ocultos do decodificador na saída de cada camada, além das saídas do embedding inicial.

  • decoder_attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True é passado ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atenção do decodificador, após o softmax de atenção, usados para calcular a média ponderada nas cabeças de autoatenção.

  • cross_attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True é passado ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atenção da camada de atenção cruzada do decodificador, após o softmax de atenção, usados para calcular a média ponderada nas cabeças de atenção cruzada.

  • encoder_last_hidden_state (torch.Tensor de forma (batch_size, sequence_length, hidden_size), opcional) — Sequência de estados ocultos na saída da última camada do codificador do modelo.

  • encoder_hidden_states (tuple(torch.Tensor), opcional, retornado quando output_hidden_states=True é passado ou quando config.output_hidden_states=True) — Tupla de torch.Tensor (um para a saída dos embeddings, se o modelo tiver uma camada de embedding, + um para a saída de cada camada) de forma (batch_size, sequence_length, hidden_size).

    Estados ocultos do codificador na saída de cada camada, além das saídas do embedding inicial.

  • encoder_attentions (tuple(torch.Tensor), opcional, retornado quando output_attentions=True é passado ou quando config.output_attentions=True) — Tupla de torch.Tensor (um para cada camada) com forma (batch_size, num_heads, sequence_length, sequence_length).

    Pesos de atenção do codificador, após o softmax de atenção, usados para calcular a média ponderada nas cabeças de autoatenção.

Exemplos:

>>> from transformers import AutoProcessor, MusicgenForConditionalGeneration
>>> import torch

>>> processor = AutoProcessor.from_pretrained("facebook/musicgen-small")
>>> model = MusicgenForConditionalGeneration.from_pretrained("facebook/musicgen-small")

>>> inputs = processor(
...     text=["80s pop track with bassy drums and synth", "90s rock song with loud guitars and heavy drums"],
...     padding=True,
...     return_tensors="pt",
... )

>>> pad_token_id = model.generation_config.pad_token_id
>>> decoder_input_ids = (
...     torch.ones((inputs.input_ids.shape[0] * model.decoder.num_codebooks, 1), dtype=torch.long)
...     * pad_token_id
... )

>>> logits = model(**inputs, decoder_input_ids=decoder_input_ids).logits
>>> logits.shape  # (bsz * num_codebooks, tgt_len, vocab_size)
torch.Size([8, 1, 2048])
Update on GitHub

←MOSS-Transcribe-Diarize MusicGen Melody→