paddlespeech.t2s.modules.transformer.decoder_layer 模块

解码器自注意力层定义。

class paddlespeech.t2s.modules.transformer.decoder_layer.DecoderLayer(size, self_attn, src_attn, feed_forward, dropout_rate, normalize_before=True, concat_after=False)

基础： Layer

单解码器层模块。

Args:

size (int):

输入维度。

self_attn (nn.Layer):

自注意力模块实例。MultiHeadedAttention 实例可以作为参数使用。

src_attn (nn.Layer):

自注意力模块实例。 MultiHeadedAttention 实例可以作为参数使用。

feed_forward (nn.Layer):

前馈模块实例。 PositionwiseFeedForward、MultiLayeredConv1d 或 Conv1dLinear 实例可以作为参数使用。

dropout_rate (float):

dropout 率。

normalize_before (bool):

是否在第一个模块之前使用层归一化。

concat_after (bool):

是否连接注意力层的输入和输出。 如果为真，将应用额外的线性变换。 即 x -> x + linear(concat(x, att(x))) 如果为假，则不应用额外的线性变换。即 x -> x + att(x)

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(tgt, tgt_mask, memory, memory_mask)	计算解码后的特征。
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(tgt, tgt_mask, memory, memory_mask, cache=None)

计算解码后的特征。

Args:

tgt(Tensor):

输入张量（#批量，最大长度输出，大小）。

tgt_mask(Tensor):

输入张量的掩码 (#batch, maxlen_out)。

memory(Tensor):

编码的内存，float32 (#batch, maxlen_in, size).

memory_mask(Tensor):

编码的内存掩码 (#batch, maxlen_in)。

cache(List[Tensor], optional):

缓存张量列表。 每个张量的形状应为 (#batch, maxlen_out - 1, size)。 (默认值 = None)

Returns:

Tensor

输出张量(#batch, maxlen_out, size)。

Tensor

输出张量的掩码 (#batch, maxlen_out).

Tensor

编码内存 (#batch, maxlen_in, size)。

Tensor

编码的内存掩码 (#batch, maxlen_in)。