paddlespeech.s2t.modules.conformer_convolution 模块

卷积模块定义。

class paddlespeech.s2t.modules.conformer_convolution.ConvolutionModule(channels: int, kernel_size: int = 15, activation: Layer = ReLU(), norm: str = 'batch_norm', causal: bool = False, bias: bool = True, adaptive_scale: bool = False, init_weights: bool = False)

基础： Layer

在Conformer模型中的卷积模块。

方法

__call__(*inputs, **kwargs)	将self作为一个函数调用。
add_parameter(name, parameter)	添加一个参数实例。
add_sublayer(name, sublayer)	添加一个子层实例。
apply(fn)	递归地将 fn 应用到每个子层（由 .sublayers() 返回）以及自身。
buffers([include_sublayers])	返回当前层及其子层中的所有缓冲区的列表。
children()	返回一个迭代器，遍历直接子层。
clear_gradients()	清除此层所有参数的梯度。
create_parameter(shape[, attr, dtype, ...])	为该层创建参数。
create_tensor([name, persistable, dtype])	为该层创建张量。
create_variable([name, persistable, dtype])	为该层创建张量。
eval()	将该层及其所有子层设置为评估模式。
extra_repr()	该层的额外表示，您可以自定义实现自己的层。
forward(x[, mask_pad, stop_gradient, cache, ...])	计算卷积模块。 参数： x (paddle.Tensor)：输入张量 (#batch, time, channels)。 mask_pad (paddle.Tensor)：用于批量填充 (#batch, 1, time)，(0, 0, 0) 表示假掩码。 cache (paddle.Tensor)：左侧上下文缓存，仅在因果卷积中使用 (#batch, channels, cache_t)，(0, 0, 0) 表示假缓存。 返回： paddle.Tensor：输出张量 (#batch, time, channels)。 paddle.Tensor：输出缓存张量 (#batch, channels, time').
full_name()	此层的完整名称，由 name_scope + "/" + MyLayer.__class__.__name__ 组成
load_dict(state_dict[, use_structured_name])	从 state_dict 设置参数和可持久化缓存。
named_buffers([prefix, include_sublayers])	返回一个迭代器，遍历层中的所有缓冲区，生成名称和张量的元组。
named_children()	返回一个直接子层的迭代器，同时提供层的名称和层本身。
named_parameters([prefix, include_sublayers])	返回一个迭代器，遍历层中的所有参数，生成名称和参数的元组。
named_sublayers([prefix, include_self, ...])	返回Layer中所有子层的迭代器，生成名称和子层的元组。
parameters([include_sublayers])	返回当前层及其子层的所有参数的列表。
register_buffer(name, tensor[, persistable])	将一个张量注册为该层的缓冲区。
register_forward_post_hook(hook)	为层注册一个前向后钩子。
register_forward_pre_hook(hook)	为层注册一个前向预钩子。
set_dict(state_dict[, use_structured_name])	从 state_dict 设置参数和可持久化的缓冲区。
set_state_dict(state_dict[, use_structured_name])	从state_dict设置参数和持久化缓冲区。
state_dict([destination, include_sublayers, ...])	获取当前层及其子层的所有参数和可持久化缓冲区。
sublayers([include_self])	返回子层的列表。
to([device, dtype, blocking])	通过给定的设备、数据类型和阻塞方式转换层的参数和缓冲区。
to_static_state_dict([destination, ...])	获取当前层及其子层的所有参数和缓冲区。
train()	将此层及其所有子层设置为训练模式。

向后
初始化权重
注册状态字典钩子

forward(x: ~paddle.Tensor, mask_pad: ~paddle.Tensor = Tensor(shape=[0, 0, 0], dtype=bool, place=Place(cpu), stop_gradient=True,        []), cache: ~paddle.Tensor = Tensor(shape=[0, 0, 0, 0], dtype=float32, place=Place(cpu), stop_gradient=True,        [])) → Tuple[Tensor, Tensor]

计算卷积模块。

参数：

x (paddle.Tensor): 输入张量 (#batch, time, channels).

mask_pad (paddle.Tensor): 用于批量填充 (#batch, 1, time)，

(0, 0, 0) 意味着假面具。

cache (paddle.Tensor): left context cache, it is only

在因果卷积中使用（#批次，通道，缓存_t），(0, 0, 0) 测量假缓存。

Returns:

paddle.Tensor: 输出张量 (#batch, time, channels). paddle.Tensor: 输出缓存张量 (#batch, channels, time')

init_weights()