【模型结构(全)】2021-04-30

SpeechToText(

  (frontend): ConvFrontEnd(

    (conv1): Conv2dLayer(

      (conv_layer): Conv2d(1, 64, kernel_size=[3, 3], stride=(2, 2), padding=(0, 1))

      (dropout): Dropout(p=0.0, inplace=False)

    )

    (conv2): Conv2dLayer(

      (conv_layer): Conv2d(64, 128, kernel_size=[3, 3], stride=(2, 2), padding=(0, 1))

      (dropout): Dropout(p=0.0, inplace=False)

    )

    (output_layer): Linear(in_features=1280, out_features=256, bias=True)

  )

  (encoder): TransformerEncoder(

    (pos_emb): PositionalEncoding(

      (dropout): Dropout(p=0.0, inplace=False)

    )

    (blocks): ModuleList(

      (0): TransformerEncoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

      )

      (1): TransformerEncoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

      )

      (2): TransformerEncoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

      )

      (3): TransformerEncoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

      )

    )

  )

  (decoder): TransformerDecoder(

    (embedding): Embedding(4233, 256)

    (pos_emb): PositionalEncoding(

      (dropout): Dropout(p=0.0, inplace=False)

    )

    (blocks): ModuleList(

      (0): TransformerDecoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (src_attn): MultiHeadedCrossAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (q_proj): Linear(in_features=256, out_features=256, bias=True)

          (vk_proj): Linear(in_features=256, out_features=512, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm3): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

        (dropout3): Dropout(p=0.1, inplace=False)

      )

      (1): TransformerDecoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (src_attn): MultiHeadedCrossAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (q_proj): Linear(in_features=256, out_features=256, bias=True)

          (vk_proj): Linear(in_features=256, out_features=512, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm3): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

        (dropout3): Dropout(p=0.1, inplace=False)

      )

      (2): TransformerDecoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (src_attn): MultiHeadedCrossAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (q_proj): Linear(in_features=256, out_features=256, bias=True)

          (vk_proj): Linear(in_features=256, out_features=512, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm3): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

        (dropout3): Dropout(p=0.1, inplace=False)

      )

      (3): TransformerDecoderLayer(

        (slf_attn): MultiHeadedSelfAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (qvk_proj): Linear(in_features=256, out_features=768, bias=True)

        )

        (src_attn): MultiHeadedCrossAttention(

          (output_proj): Linear(in_features=256, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

          (q_proj): Linear(in_features=256, out_features=256, bias=True)

          (vk_proj): Linear(in_features=256, out_features=512, bias=True)

        )

        (feed_forward): PositionwiseFeedForward(

          (w_1): Linear(in_features=256, out_features=2048, bias=True)

          (w_2): Linear(in_features=1024, out_features=256, bias=True)

          (dropout): Dropout(p=0.0, inplace=False)

        )

        (norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (norm3): LayerNorm((256,), eps=1e-05, elementwise_affine=True)

        (dropout1): Dropout(p=0.1, inplace=False)

        (dropout2): Dropout(p=0.1, inplace=False)

        (dropout3): Dropout(p=0.1, inplace=False)

      )

    )

    (output_layer): Linear(in_features=256, out_features=4233, bias=True)

  )

  (crit): LabelSmoothingLoss()

  (assistor): CTCAssistor(

    (output_layer): Linear(in_features=256, out_features=4233, bias=True)

    (ctc_crit): CTCLoss()

  )

)

©著作权归作者所有,转载或内容合作请联系作者
【社区内容提示】社区部分内容疑似由AI辅助生成,浏览时请结合常识与多方信息审慎甄别。
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

相关阅读更多精彩内容

友情链接更多精彩内容