paddlespeech.t2s.models.melgan.melgan 模块

MelGAN 模块。

class paddlespeech.t2s.models.melgan.melgan.MelGANDiscriminator(in_channels: int = 1, out_channels: int = 1, kernel_sizes: List[int] = [5, 3], channels: int = 16, max_downsample_channels: int = 1024, bias: bool = True, downsample_scales: List[int] = [4, 4, 4, 4], nonlinear_activation: str = 'leakyrelu', nonlinear_activation_params: Dict[str, Any] = {'negative_slope': 0.2}, pad: str = 'Pad1D', pad_params: Dict[str, Any] = {'mode': 'reflect'}, init_type: str = 'xavier_uniform')[来源]

基础： Layer

MelGAN 判别器模块。

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)

计算前向传播。参数： x (Tensor): 输入噪声信号 (B, 1, T)。返回： List: 每个层的输出张量列表 (用于 feat_match_loss).

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

注册状态字典钩子
forward(x)[来源]

计算前向传播。 参数：

x (Tensor):

输入噪声信号 (B, 1, T).

Returns:

列表：每层输出张量的列表（用于 feat_match_loss）。

class paddlespeech.t2s.models.melgan.melgan.MelGANGenerator(in_channels: int = 80, out_channels: int = 1, kernel_size: int = 7, channels: int = 512, bias: bool = True, upsample_scales: List[int] = [8, 8, 2, 2], stack_kernel_size: int = 3, stacks: int = 3, nonlinear_activation: str = 'leakyrelu', nonlinear_activation_params: Dict[str, Any] = {'negative_slope': 0.2}, pad: str = 'Pad1D', pad_params: Dict[str, Any] = {'mode': 'reflect'}, use_final_nonlinear_activation: bool = True, use_weight_norm: bool = True, use_causal_conv: bool = False, init_type: str = 'xavier_uniform')[来源]

基础： Layer

MelGAN生成器模块。

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。

apply_weight_norm()

递归地对子层中的所有卷积层应用权重规范化。

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(c)

计算前向传播。

full_name()

此层的完整名称，由 name_scope + "/" + MyLayer.__class__.__name__ 组成

inference(c)

执行推断。

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。

remove_weight_norm()

递归地从所有的卷积层中的子层中移除权重归一化。

reset_parameters()

重置参数。

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

注册状态字典钩子
apply_weight_norm()[来源]

递归地将权重归一化应用于所有卷积层中的子层。

forward(c)[来源]

计算前向传播。

Args:
c (Tensor):

输入张量 (B, in_channels, T).

Returns:

张量：输出张量 (B, 输出通道, T ** prod(upsample_scales)).

inference(c)[来源]

进行推断。

Args:
c (Union[Tensor, ndarray]):

输入张量 (T, in_channels)。

Returns:

张量：输出张量 (out_channels*T ** prod(upsample_scales), 1)。

remove_weight_norm()[来源]

递归地从子层中的所有卷积层中移除权重归一化。

reset_parameters()[来源]

重置参数。 该初始化遵循官方实现方式。 https://github.com/descriptinc/melgan-neurips/blob/master/mel2wav/modules.py

class paddlespeech.t2s.models.melgan.melgan.MelGANInference(normalizer, melgan_generator)[来源]

基础： Layer

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(logmel)

定义每次调用时执行的计算。

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

注册状态字典钩子
forward(logmel)[来源]

定义每次调用时执行的计算。应该被所有子类重写。

Parameters:

*inputs(tuple): 解包的元组参数 **kwargs(dict): 解包的字典参数

class paddlespeech.t2s.models.melgan.melgan.MelGANMultiScaleDiscriminator(in_channels: int = 1, out_channels: int = 1, scales: int = 3, downsample_pooling: str = 'AvgPool1D', downsample_pooling_params: Dict[str, Any] = {'exclusive': True, 'kernel_size': 4, 'padding': 1, 'stride': 2}, kernel_sizes: List[int] = [5, 3], channels: int = 16, max_downsample_channels: int = 1024, bias: bool = True, downsample_scales: List[int] = [4, 4, 4, 4], nonlinear_activation: str = 'leakyrelu', nonlinear_activation_params: Dict[str, Any] = {'negative_slope': 0.2}, pad: str = 'Pad1D', pad_params: Dict[str, Any] = {'mode': 'reflect'}, use_weight_norm: bool = True, init_type: str = 'xavier_uniform')[来源]

基础： Layer

MelGAN多尺度判别器模块。

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。

apply_weight_norm()

递归地对子层中的所有卷积层应用权重规范化。

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)

计算前向传播。参数： x (Tensor): 输入噪声信号 (B, 1, T)。返回： List: 每个判别器输出的列表列表, 由每层输出张量组成。

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。

remove_weight_norm()

递归地从所有的卷积层中的子层中移除权重归一化。

reset_parameters()

重置参数。

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

注册状态字典钩子
apply_weight_norm()[来源]

递归地将权重归一化应用于所有卷积层中的子层。

forward(x)[来源]

计算前向传播。 参数：

x (Tensor):

输入噪声信号 (B, 1, T).

Returns:

列表：每个判别器输出的列表的列表，包含每层输出张量。

remove_weight_norm()[来源]

递归地从子层中的所有卷积层中移除权重归一化。

reset_parameters()[来源]

重置参数。 该初始化遵循官方实现方式。 https://github.com/descriptinc/melgan-neurips/blob/master/mel2wav/modules.py