paddlespeech.t2s.modules.transformer.encoder 模块
- class paddlespeech.t2s.modules.transformer.encoder.BaseEncoder(idim: int, attention_dim: int = 256, attention_heads: int = 4, linear_units: int = 2048, num_blocks: int = 6, dropout_rate: float = 0.1, positional_dropout_rate: float = 0.1, attention_dropout_rate: float = 0.0, input_layer: str = 'conv2d', normalize_before: bool = True, concat_after: bool = False, positionwise_layer_type: str = 'linear', positionwise_conv_kernel_size: int = 1, macaron_style: bool = False, pos_enc_layer_type: str = 'abs_pos', selfattention_layer_type: str = 'selfattn', activation_type: str = 'swish', use_cnn_module: bool = False, zero_triu: bool = False, cnn_module_kernel: int = 31, padding_idx: int = -1, stochastic_depth_rate: float = 0.0, intermediate_layers: Optional[List[int]] = None, encoder_type: str = 'transformer')[来源]
基础：
Layer基本编码器模块。
- Args:
- idim (int):
输入维度。
- attention_dim (int):
注意力的维度。
- attention_heads (int):
多头注意力的头数量。
- linear_units (int):
位置逐步前馈的单元数量。
- num_blocks (int):
解码器块的数量。
- dropout_rate (float):
dropout 率。
- positional_dropout_rate (float):
添加位置编码后的 dropout 率。
- attention_dropout_rate (float):
注意力中的丢弃率。
- input_layer (Union[str, nn.Layer]):
输入层类型。
- 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)
- positionwise_layer_type (str):
"线性", "一维卷积", 或 "一维卷积-线性".
- positionwise_conv_kernel_size (int):
位置逐层卷积1d层的核大小。
- macaron_style (bool):
是否对逐位置层使用马卡龙风格。
- pos_enc_layer_type (str):
编码器位置编码层类型。
- selfattention_layer_type (str):
编码器注意力层类型。
- activation_type (str):
编码器激活函数类型。
- use_cnn_module (bool):
是否使用卷积模块。
- zero_triu (bool):
是否将注意力矩阵的上三角部分置为零。
- cnn_module_kernel (int):
卷积模块的卷积核大小。
- padding_idx (int):
输入层=embed的填充索引。
- stochastic_depth_rate (float):
跳过编码器层的最大概率。
- intermediate_layers (Union[List[int], None]):
中间CTC层的索引。
索引从1开始。
如果不为None，将返回中间输出（这会改变返回类型签名。）
encoder_type (str): "transformer" 或 "conformer"。
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(xs, masks)对输入序列进行编码。
full_name()此层的完整名称，由 name_scope + "/" + MyLayer.__class__.__name__ 组成
get_positionwise_layer([...])定义按位置分层。
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
获取嵌入
获取编码器自注意力层
获取位置编码类
注册状态字典钩子
- forward(xs, masks)[来源]
编码输入序列。
- Args:
- xs (Tensor):
输入张量 (#batch, time, idim).
- masks (Tensor):
掩码张量 (#batch, 1, time).
- Returns:
- Tensor:
输出张量 (#batch, time, attention_dim)。
- Tensor:
掩码张量 (#batch, 1, 时间).
- get_embed(idim, input_layer='conv2d', attention_dim: int = 256, pos_enc_class=<class 'paddlespeech.t2s.modules.transformer.embedding.PositionalEncoding'>, dropout_rate: int = 0.1, positional_dropout_rate: int = 0.1, padding_idx: int = -1)[来源]
- get_encoder_selfattn_layer(selfattention_layer_type: str = 'selfattn', attention_heads: int = 4, attention_dim: int = 256, attention_dropout_rate: float = 0.0, zero_triu: bool = False, pos_enc_layer_type: str = 'abs_pos')[来源]
- class paddlespeech.t2s.modules.transformer.encoder.CNNDecoder(emb_dim: int = 256, odim: int = 80, kernel_size: int = 5, dropout_rate: float = 0.2, resblock_kernel_sizes: List[int] = [256, 256])[来源]
基础：
Layer比原来的带有Prenet的解码器简单得多。
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(xs[, masks])编码输入序列。 参数： xs (Tensor): 输入张量 (#batch, time, idim)。 masks (Tensor): 掩码张量 (#batch, 1, time)。 返回： Tensor: 输出张量 (#batch, time, odim)。
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
- class paddlespeech.t2s.modules.transformer.encoder.CNNPostnet(odim: int = 80, kernel_size: int = 5, dropout_rate: float = 0.2, resblock_kernel_sizes: List[int] = [256, 256])[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(xs[, masks])编码输入序列。 参数： xs (Tensor): 输入张量 (#batch, odim, time)。 masks (Tensor): 掩码张量 (#batch, 1, time)。 返回： Tensor: 输出张量 (#batch, odim, 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
注册状态字典钩子
- class paddlespeech.t2s.modules.transformer.encoder.ConformerEncoder(idim: int, attention_dim: int = 256, attention_heads: int = 4, linear_units: int = 2048, num_blocks: int = 6, dropout_rate: float = 0.1, positional_dropout_rate: float = 0.1, attention_dropout_rate: float = 0.0, input_layer: str = 'conv2d', normalize_before: bool = True, concat_after: bool = False, positionwise_layer_type: str = 'linear', positionwise_conv_kernel_size: int = 1, macaron_style: bool = False, pos_enc_layer_type: str = 'rel_pos', selfattention_layer_type: str = 'rel_selfattn', activation_type: str = 'swish', use_cnn_module: bool = False, zero_triu: bool = False, cnn_module_kernel: int = 31, padding_idx: int = -1, stochastic_depth_rate: float = 0.0, intermediate_layers: Optional[List[int]] = None)[来源]
基类:
BaseEncoderConformer 编码器模块。
- Args:
- idim (int):
输入维度。
- attention_dim (int):
注意力的维度。
- attention_heads (int):
多头注意力的头数量。
- linear_units (int):
位置逐步前馈的单元数量。
- num_blocks (int):
解码器块的数量。
- dropout_rate (float):
dropout 率。
- positional_dropout_rate (float):
添加位置编码后的 dropout 率。
- attention_dropout_rate (float):
注意力中的丢弃率。
- input_layer (Union[str, nn.Layer]):
输入层类型。
- 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)
- positionwise_layer_type (str):
"线性", "一维卷积", 或 "一维卷积-线性".
- positionwise_conv_kernel_size (int):
位置逐层卷积1d层的核大小。
- macaron_style (bool):
是否对逐位置层使用马卡龙风格。
- pos_enc_layer_type (str):
编码器位置编码层类型。
- selfattention_layer_type (str):
编码器注意力层类型。
- activation_type (str):
编码器激活函数类型。
- use_cnn_module (bool):
是否使用卷积模块。
- zero_triu (bool):
是否将注意力矩阵的上三角部分置为零。
- cnn_module_kernel (int):
卷积模块的卷积核大小。
- padding_idx (int):
输入层=embed的填充索引。
- stochastic_depth_rate (float):
跳过编码器层的最大概率。
- intermediate_layers (Union[List[int], None]):
中间CTC层的索引。索引从1开始。 如果不为None，则返回中间输出（这会改变返回类型签名。）
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(xs, masks)对输入序列进行编码。
full_name()此层的完整名称，由 name_scope + "/" + MyLayer.__class__.__name__ 组成
get_positionwise_layer([...])定义位置层。
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
获取嵌入
获取编码器自注意力层
获取位置编码类
注册状态字典钩子
- class paddlespeech.t2s.modules.transformer.encoder.Conv1dResidualBlock(idim: int = 256, odim: int = 256, kernel_size: int = 5, dropout_rate: float = 0.2)[来源]
基础：
LayerEncoder 类的简化版本的特殊模块。
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(xs)编码输入序列。参数： xs (Tensor): 输入张量 (#batch, idim, T)。返回： Tensor: 输出张量 (#batch, odim, T)。
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
- class paddlespeech.t2s.modules.transformer.encoder.TransformerEncoder(idim, attention_dim: int = 256, attention_heads: int = 4, linear_units: int = 2048, num_blocks: int = 6, dropout_rate: float = 0.1, positional_dropout_rate: float = 0.1, attention_dropout_rate: float = 0.0, input_layer: str = 'conv2d', pos_enc_layer_type: str = 'abs_pos', normalize_before: bool = True, concat_after: bool = False, positionwise_layer_type: str = 'linear', positionwise_conv_kernel_size: int = 1, selfattention_layer_type: str = 'selfattn', activation_type: str = 'relu', padding_idx: int = -1)[来源]
基类:
BaseEncoder转换器编码模块。
- Args:
- idim (int):
输入维度。
- attention_dim (int):
注意力的维度。
- attention_heads (int):
多头注意力的头数量。
- linear_units (int):
位置逐步前馈的单元数量。
- num_blocks (int):
解码器块的数量。
- dropout_rate (float):
dropout 率。
- positional_dropout_rate (float):
添加位置编码后的 dropout 率。
- attention_dropout_rate (float):
注意力中的丢弃率。
- input_layer (Union[str, paddle.nn.Layer]):
输入层类型。
- pos_enc_layer_type (str):
编码器位置编码层类型。
- 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)
- positionwise_layer_type (str):
"线性", "一维卷积", 或 "一维卷积-线性".
- positionwise_conv_kernel_size (int):
位置逐层卷积1d层的核大小。
- selfattention_layer_type (str):
编码器注意力层类型。
- activation_type (str):
编码器激活函数类型。
- padding_idx (int):
输入层=embed的填充索引。
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(xs, masks[, note_emb, note_dur_emb, ...])编码器输入序列。
forward_one_step(xs, masks[, cache])编码输入帧。
full_name()此层的完整名称，由 name_scope + "/" + MyLayer.__class__.__name__ 组成
get_positionwise_layer([...])定义位置层。
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
获取嵌入
获取编码器自注意力层
获取位置编码类
注册状态字典钩子
- forward(xs: Tensor, masks: Tensor, note_emb: Optional[Tensor] = None, note_dur_emb: Optional[Tensor] = None, is_slur_emb: Optional[Tensor] = None, scale: int = 16)[来源]
编码器输入序列。
- Args:
- xs(Tensor):
输入张量 (#batch, time, idim).
- masks(Tensor):
掩码张量 (#batch, 1, 时间).
- note_emb(Tensor):
输入张量 (#batch, time, attention_dim)。
- note_dur_emb(Tensor):
输入张量 (#batch, time, attention_dim)。
- is_slur_emb(Tensor):
输入张量 (#batch, time, attention_dim)。
- Returns:
- Tensor:
输出张量 (#batch, time, attention_dim)。
- Tensor:
掩码张量 (#batch, 1, 时间).