Transformers documentation
PE Audio Video
Mô hình này được công bố trên HF papers vào ngày 2025-04-17 và được đóng góp cho Hugging Face Transformers vào ngày 2025-12-16. Mô hình này được phát hành vào ngày 2025-04-17 và được thêm vào Hugging Face Transformers vào ngày 2025-12-16.
PE Audio Video
PE Audio Video là nhánh audio–video kết hợp trong họ Perception Encoder của Meta. Nó mã hóa các luồng audio và video cùng với một tháp văn bản chung, tạo ra các embedding tương phản cho mọi tổ hợp cặp, bao gồm audio-văn bản, video-văn bản, audio-video và audio+văn bản-video, từ một lần truyền tiến duy nhất.
Bên trong, mô hình căn chỉnh chuỗi đặc trưng video với độ phân giải thời gian của âm thanh thông qua nội suy láng giềng gần nhất, nhờ đó các đoạn clip có tốc độ khung hình khác với tần số lấy mẫu vẫn được đồng bộ. Trọng số của bộ mã hóa văn bản được liên kết giữa nhánh âm thanh và nhánh video.
Bạn có thể tìm thấy tất cả các checkpoint chính thức của PE Audio Video trong bộ sưu tập perception-encoder-audio-visual.
Bắt đầu nhanh
import torch
from datasets import load_dataset
from transformers import AutoProcessor, PeAudioVideoModel
from transformers.video_utils import load_video
processor = AutoProcessor.from_pretrained("facebook/pe-av-large")
model = PeAudioVideoModel.from_pretrained(
"facebook/pe-av-large",
device_map="auto",
)
ds = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
audio = ds[0]["audio"]["array"]
video, _ = load_video("https://huggingface.co/datasets/hf-internal-testing/fixtures_videos/resolve/main/tennis.mp4")
labels = ["a person playing tennis with background crowd", "a dog barking in a park"]
audio_inputs = processor.feature_extractor(audio, sampling_rate=48_000, return_tensors="pt").to(model.device)
video_inputs = processor.video_processor(video, num_frames=16, return_tensors="pt").to(model.device)
text_inputs = processor.tokenizer(labels, padding=True, return_tensors="pt").to(model.device)
inputs = {**audio_inputs, **video_inputs, **text_inputs}
with torch.no_grad():
outputs = model(**inputs)
print("audio-text:", outputs.logits_audio_text.sigmoid().tolist())
print("video-text:", outputs.logits_video_text.sigmoid().tolist())
print("audio-video:", outputs.logits_audio_video.sigmoid().tolist())Mẹo và ghi chú về cách sử dụng
- PeAudioVideoModel yêu cầu ít nhất hai trong số
input_ids,input_values,pixel_values_videos— nếu chỉ cung cấp hai, mô hình sẽ chuyển hướng đến mô hình con chỉ âm thanh hoặc chỉ video. Việc truyền cả ba sẽ kích hoạt đường dẫn kết hợp âm thanh-video-văn bản và toàn bộ tập ma trận logit trongPeAudioVideoOutput. - Audio sử dụng
padding_maskvà video sử dụngpadding_mask_videosđồng thời. Chúng là các mask độc lập; không nhầm lẫn chúng vớiattention_mask, vốn được dành riêng cho text tower. - Việc căn chỉnh audio–video được thực hiện theo từng phần tử trong batch bên trong
_align_video_hidden_state, do đó các batch có độ dài audio/video khác nhau rất nhiều sẽ lặp lại thay vì vector hóa. Hãy giữ các mục trong batch cân bằng tương đối để tối ưu thông lượng. - Trọng số của tháp văn bản được liên kết giữa các nhánh thông qua
_tied_weights_keys— không nên cố gắng nạp các bộ mã hóa văn bản riêng biệt cho phần âm thanh và phần video.
PeAudioVideoConfig
lớp transformers.PeAudioVideoConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Nonetext_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Noneaudio_video_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonetie_word_embeddings: bool = True )
Tham số
- text_config (
Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Đối tượng cấu hình hoặc từ điển của bộ khung văn bản. - audio_video_config (
dicthoặcPreTrainedConfig, tùy chọn) — Cấu hình cho thành phần bộ mã hóa âm thanh-video. - tie_word_embeddings (
bool, tùy chọn, mặc định làTrue) — Có nên gắn kết các trọng số nhúng theo ánh xạtied_weights_keyscủa mô hình hay không.
Đây là lớp cấu hình để lưu trữ cấu hình của một PeAudioVideoModel. Nó được sử dụng để khởi tạo một mô hình Pe Audio Video theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của facebook/pe-av-large
Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.
>>> from transformers import PeAudioVideoModel, PeAudioVideoConfig
>>> # Initializing a PeAudioVideoModel style configuration
>>> configuration = PeAudioVideoConfig()
>>> # Initializing a model from the pe-av-large style configuration
>>> model = PeAudioModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configPeAudioVideoEncoderConfig
lớp transformers.PeAudioVideoEncoderConfig
< source >( transformers_version: str | None = Nonearchitectures: list[str] | None = Noneoutput_hidden_states: bool | None = Falsereturn_dict: bool | None = Truedtype: str | torch.dtype | None = Nonechunk_size_feed_forward: int = 0is_encoder_decoder: bool = Falseid2label: dict[int, str] | dict[str, str] | None = Nonelabel2id: dict[str, int] | dict[str, str] | None = Noneproblem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = Noneaudio_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonevideo_config: dict | transformers.configuration_utils.PreTrainedConfig | None = Nonehidden_size: int = 1792intermediate_size: int = 4800num_hidden_layers: int = 6num_attention_heads: int = 14num_key_value_heads: int | None = Nonehead_dim: int = 128hidden_act: str = 'silu'max_position_embeddings: int = 10000initializer_range: float = 0.02rms_norm_eps: float = 1e-05rope_parameters: transformers.modeling_rope_utils.RopeParameters | dict | None = Noneattention_bias: bool = Falseattention_dropout: float | int = 0.0 )
Tham số
- audio_config (
Union[dict, ~configuration_utils.PreTrainedConfig], tùy chọn) — Đối tượng cấu hình hoặc từ điển của audio backbone. - video_config (
Union[PreTrainedConfig, dict], tùy chọn) — Cấu hình cho bộ mã hóa video. Nếu một từ điển được cung cấp, nó sẽ được dùng để khởi tạo PeVideoEncoderConfig. - hidden_size (
int, tùy chọn, mặc định là1792) — Kích thước của các biểu diễn ẩn. - intermediate_size (
int, tùy chọn, mặc định là4800) — Kích thước của các biểu diễn MLP. - num_hidden_layers (
int, tùy chọn, mặc định là6) — Số lượng lớp ẩn trong bộ giải mã Transformer. - num_attention_heads (
int, tùy chọn, mặc định là14) — Số lượng đầu chú ý cho mỗi lớp chú ý trong bộ giải mã Transformer. - num_key_value_heads (
int, tùy chọn) — Đây là số lượng key_value heads cần được sử dụng để triển khai Grouped Query Attention. Nếunum_key_value_heads=num_attention_heads, mô hình sẽ sử dụng Multi Head Attention (MHA), nếunum_key_value_heads=1mô hình sẽ sử dụng Multi Query Attention (MQA), ngược lại sẽ sử dụng GQA. Khi chuyển đổi checkpoint multi-head sang checkpoint GQA, mỗi nhóm key và value head nên được xây dựng bằng cách meanpooling tất cả các head gốc trong nhóm đó. Để biết thêm chi tiết, hãy xem bài báo này. Nếu không được chỉ định, giá trị mặc định sẽ lànum_attention_heads. - head_dim (
int, tùy chọn, mặc định là128) — Kích thước chiều của đầu chú ý. Nếu là None, giá trị mặc định sẽ là hidden_size // num_attention_heads - hidden_act (
str, tùy chọn, mặc định làsilu) — Hàm kích hoạt phi tuyến (hàm hoặc chuỗi) trong bộ giải mã. Ví dụ,"gelu","relu","silu", v.v. - max_position_embeddings (
int, tùy chọn, mặc định là10000) — Chiều dài chuỗi tối đa mà mô hình này có thể được sử dụng. - initializer_range (
float, tùy chọn, mặc định là0.02) — Độ lệch chuẩn của truncated_normal_initializer để khởi tạo tất cả các ma trận trọng số. - rms_norm_eps (
float, tùy chọn, mặc định là1e-05) — Giá trị epsilon được sử dụng bởi các lớp chuẩn hóa rms. - rope_parameters (
Union[~modeling_rope_utils.RopeParameters, dict], tùy chọn) — Từ điển chứa các tham số cấu hình cho các embedding RoPE. Từ điển phải chứa một giá trị chorope_thetavà tùy chọn các tham số được sử dụng để mở rộng trong trường hợp bạn muốn sử dụng RoPE vớimax_position_embeddingsdài hơn. - attention_bias (
bool, tùy chọn, mặc định làFalse) — Có sử dụng bias trong các lớp chiếu query, key, value và output trong quá trình tự chú ý hay không. - attention_dropout (
Union[float, int], tùy chọn, mặc định là0.0) — Tỷ lệ dropout cho các xác suất chú ý.
Đây là lớp cấu hình để lưu trữ cấu hình của một PeAudioVideoModel. Nó được sử dụng để khởi tạo một mô hình Pe Audio Video theo các đối số được chỉ định, xác định kiến trúc của mô hình. Khởi tạo một cấu hình với các giá trị mặc định sẽ tạo ra một cấu hình tương tự như cấu hình của facebook/pe-av-large
Các đối tượng cấu hình kế thừa từ PreTrainedConfig và có thể được sử dụng để kiểm soát đầu ra của mô hình. Đọc tài liệu từ PreTrainedConfig để biết thêm thông tin.
>>> from transformers import PeAudioVideoEncoder, PeAudioVideoEncoderConfig
>>> # Initializing a PeAudioVideoEncoder style configuration
>>> configuration = PeAudioVideoEncoderConfig()
>>> # Initializing a model from the pe-av-large style configuration
>>> model = PeAudioVideoEncoder(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configPeAudioVideoProcessor
lớp transformers.PeAudioVideoProcessor
< source >( feature_extractor = Nonevideo_processor = Nonetokenizer = None**kwargs )
PeAudioVideoEncoder
lớp transformers.PeAudioVideoEncoder
< source >( config: PeAudioVideoEncoderConfig )
Tham số
- config (PeAudioVideoEncoderConfig) — Lớp cấu hình mô hình chứa tất cả các tham số của mô hình. Khởi tạo bằng tệp cấu hình không tải trọng số liên quan đến mô hình, chỉ tải cấu hình. Xem phương thức from_pretrained() để tải trọng số mô hình.
Mô hình PeAudioVideo Encoder.
Mô hình này kế thừa từ PreTrainedModel. Xem tài liệu của lớp cha để biết các phương thức chung mà thư viện triển khai cho tất cả các mô hình của nó (chẳng hạn như tải xuống hoặc lưu trữ, thay đổi kích thước các nhúng đầu vào, cắt tỉa các đầu, v.v.)
Mô hình này cũng là một lớp con của torch.nn.Module trong PyTorch. Hãy sử dụng nó như một Module PyTorch thông thường và tham khảo tài liệu PyTorch cho mọi vấn đề liên quan đến cách sử dụng và hành vi chung.
forward
< source >( input_values: typing.Optional[torch.Tensor] = Nonepixel_values_videos: typing.Optional[torch.Tensor] = Nonepadding_mask: typing.Optional[torch.Tensor] = Nonepadding_mask_videos: typing.Optional[torch.Tensor] = None**kwargs ) → PeAudioVideoEncoderOutput or tuple(torch.Tensor)
Tham số
- input_values (
torch.Tensorcó shape(batch_size, sequence_length), tùy chọn) — Các giá trị float của dạng sóng âm thanh thô đầu vào. Các giá trị này có thể được lấy bằng cách nạp tệp âm thanh.flachoặc.wavvào một mảng có kiểulist[float], mộtnumpy.ndarrayhoặc mộttorch.Tensor, chẳng hạn thông qua thư viện torchcodec (pip install torchcodec) hoặc thư viện soundfile (pip install soundfile). Để chuẩn bị mảng thànhinput_values, cần sử dụng AutoProcessor để đệm (padding) và chuyển đổi thành tensor có kiểutorch.Tensor. Xem PeAudioVideoProcessor.call() để biết thêm chi tiết. - pixel_values_videos (
torch.Tensorcó hình dạng(batch_size, num_frames, num_channels, frame_size, frame_size), tùy chọn) — Các tensor tương ứng với video đầu vào. Giá trị pixel cho video có thể được lấy bằng cách sử dụng PeVideoVideoProcessor. Xem PeVideoVideoProcessor.call() để biết chi tiết (PeAudioVideoProcessor sử dụng PeVideoVideoProcessor để xử lý video). - padding_mask (
torch.Tensorcó shape(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các mẫu padding củainput_values. Giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các mẫu không bị che,
- 0 cho các mẫu bị che.
- padding_mask_videos (
torch.Tensorcó hình dạng(batch_size, num_frames), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các khung video padding. Giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các khung hình không bị che,
- 0 cho các khung hình bị che.
Trả về
PeAudioVideoEncoderOutput hoặc tuple(torch.Tensor)
Một PeAudioVideoEncoderOutput hoặc một tuple của
torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (PeAudioVideoConfig) và đầu vào.
Phương thức forward của PeAudioVideoEncoder ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
last_hidden_state (
torch.Tensorcó hình dạng(batch_size, sequence_length, hidden_size)) — Chuỗi các hidden-state tại đầu ra của lớp cuối cùng của mô hình.pooler_output (
torch.Tensorcó hình dạng(batch_size, hidden_size)) — Trạng thái ẩn của lớp cuối cùng của token đầu tiên trong chuỗi (token phân loại) sau khi được xử lý thêm qua các lớp được sử dụng cho tác vụ tiền huấn luyện bổ trợ. Ví dụ, đối với các mô hình thuộc họ BERT, giá trị này trả về token phân loại sau khi được xử lý qua một lớp tuyến tính và một hàm kích hoạt tanh. Trọng số của lớp tuyến tính được huấn luyện từ mục tiêu dự đoán câu tiếp theo (phân loại) trong quá trình tiền huấn luyện.hidden_states (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_hidden_states=Trueđược truyền vào hoặc khiconfig.output_hidden_states=True) — Bộ tuple củatorch.Tensor(một cho đầu ra của embeddings, nếu mô hình có lớp embedding, + một cho đầu ra của mỗi lớp) có hình dạng(batch_size, sequence_length, hidden_size).Trạng thái ẩn của mô hình tại đầu ra của mỗi lớp cùng với các đầu ra embedding ban đầu tùy chọn.
attentions (
tuple(torch.Tensor), tuỳ chọn, được trả về khioutput_attentions=Trueđược truyền vào hoặc khiconfig.output_attentions=True) — Tuple củatorch.Tensor(một cho mỗi lớp) có hình dạng(batch_size, num_heads, sequence_length, sequence_length).Trọng số chú ý sau softmax của attention, được sử dụng để tính trung bình có trọng số trong các đầu self-attention.
audio_model_output (
BaseModelOutputWithPooling, tùy chọn) — Đầu ra của bộ mã hóa âm thanh, bao gồm trạng thái ẩn cuối cùng, đầu ra đã gom và các trạng thái ẩn tùy chọn cùng các chú ý. Xem BaseModelOutputWithPooling để biết chi tiết.video_model_output (
BaseModelOutputWithPooling, tùy chọn) — Đầu ra của bộ mã hóa video, bao gồm trạng thái ẩn cuối cùng, đầu ra đã gom và các trạng thái ẩn tùy chọn cùng các chú ý. Xem BaseModelOutputWithPooling để biết chi tiết.
PeAudioVideoModel
forward
< source >( input_ids: typing.Optional[torch.Tensor] = Nonepixel_values_videos: typing.Optional[torch.Tensor] = Noneinput_values: typing.Optional[torch.Tensor] = Noneattention_mask: typing.Optional[torch.Tensor] = Nonepadding_mask_videos: typing.Optional[torch.Tensor] = Nonepadding_mask: typing.Optional[torch.Tensor] = Nonereturn_loss = False**kwargs ) → PeAudioVideoOutput or tuple(torch.Tensor)
Tham số
- input_ids (
torch.Tensorcó dạng(batch_size, sequence_length), tùy chọn) — Chỉ số của các token trong chuỗi đầu vào theo từ điển. Mặc định, padding sẽ bị bỏ qua.Các chỉ số có thể được lấy bằng cách sử dụng AutoTokenizer. Xem PreTrainedTokenizer.encode() và PreTrainedTokenizer.call() để biết thêm chi tiết.
- pixel_values_videos (
torch.Tensorcó hình dạng(batch_size, num_frames, num_channels, frame_size, frame_size), tùy chọn) — Các tensor tương ứng với video đầu vào. Giá trị pixel cho video có thể được lấy bằng cách sử dụng PeVideoVideoProcessor. Xem PeVideoVideoProcessor.call() để biết chi tiết (PeAudioVideoProcessor sử dụng PeVideoVideoProcessor để xử lý video). - input_values (
torch.Tensorcó shape(batch_size, sequence_length), tùy chọn) — Các giá trị float của dạng sóng âm thanh thô đầu vào. Các giá trị này có thể được lấy bằng cách nạp tệp âm thanh.flachoặc.wavvào một mảng có kiểulist[float], mộtnumpy.ndarrayhoặc mộttorch.Tensor, chẳng hạn thông qua thư viện torchcodec (pip install torchcodec) hoặc thư viện soundfile (pip install soundfile). Để chuẩn bị mảng thànhinput_values, cần sử dụng AutoProcessor để đệm (padding) và chuyển đổi thành tensor có kiểutorch.Tensor. Xem PeAudioVideoProcessor.call() để biết thêm chi tiết. - attention_mask (
torch.Tensorcó hình dạng(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện chú ý trên các chỉ số token đệm. Các giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các token không bị che,
- 0 cho các token bị che.
- padding_mask_videos (
torch.Tensorcó hình dạng(batch_size, num_frames), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các khung video padding. Giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các khung hình không bị che,
- 0 cho các khung hình bị che.
- padding_mask (
torch.Tensorcó shape(batch_size, sequence_length), tùy chọn) — Mặt nạ để tránh thực hiện attention trên các mẫu padding củainput_values. Giá trị mặt nạ được chọn trong[0, 1]:- 1 cho các mẫu không bị che,
- 0 cho các mẫu bị che.
- return_loss (
bool, tùy chọn) — Có trả về loss hay không.
Trả về
PeAudioVideoOutput hoặc tuple(torch.Tensor)
Một PeAudioVideoOutput hoặc một tuple của
torch.Tensor (nếu return_dict=False được truyền hoặc khi config.return_dict=False) bao gồm các
thành phần khác nhau tùy thuộc vào cấu hình (PeAudioVideoConfig) và đầu vào.
Phương thức forward của PeAudioVideoModel ghi đè lên phương thức đặc biệt __call__.
Mặc dù công thức cho bước truyền tiến cần được định nghĩa bên trong hàm này, người dùng nên gọi instance của
Modulesau đó thay vì gọi hàm này, vì instanceModulesẽ đảm nhận việc thực hiện các bước tiền xử lý và hậu xử lý, trong khi hàm này sẽ lặng lẽ bỏ qua chúng.
- audio_embeds (
torch.Tensor, tùy chọn) — Embeddings của chế độ âm thanh. Hình dạng(batch_size, sequence_length, hidden_size). - video_embeds (
torch.Tensor, tùy chọn) — Embeddings của chế độ video. Hình dạng(batch_size, sequence_length, hidden_size). - audio_video_embeds (
torch.Tensor, tuỳ chọn) — Các embedding kết hợp audio-video do module fusion tạo ra. Hình dạng(batch_size, sequence_length, hidden_size). - text_audio_embeds (
torch.Tensor, tùy chọn) — Nhúng kết hợp văn bản và âm thanh. Hình dạng(batch_size, sequence_length, hidden_size). - text_video_embeds (
torch.Tensor, tùy chọn) — Nhúng kết hợp văn bản và video. Hình dạng(batch_size, sequence_length, hidden_size). - text_audio_video_embeds (
torch.Tensor, tùy chọn) — Nhúng kết hợp văn bản-âm thanh-video, gộp cả ba phương thức. Hình dạng(batch_size, sequence_length, hidden_size). - audio_plus_text_embeds (
torch.Tensor, tuỳ chọn) — Các embedding kết hợp của âm thanh và văn bản (ví dụ: nối tiếp hoặc dung hợp cộng). Hình dạng(batch_size, sequence_length, hidden_size). - video_plus_text_embeds (
torch.Tensor, tùy chọn) — Embedding kết hợp của video và văn bản. Hình dạng(batch_size, sequence_length, hidden_size). - text_outputs (
MaskedLMOutput, tùy chọn) — Đầu ra của mô hình cho bộ mã hóa văn bản. Bao gồm trạng thái ẩn, chú ý và tùy chọn là loss. - audio_outputs (
BaseModelOutputWithPooling, tùy chọn) — Đầu ra của mô hình cho bộ mã hóa âm thanh, bao gồm trạng thái ẩn cuối cùng và đầu ra đã gom. - video_outputs (
BaseModelOutputWithPooling, tùy chọn) — Đầu ra của mô hình cho bộ mã hóa video, bao gồm trạng thái ẩn cuối cùng và đầu ra đã gom. - audio_video_outputs (
BaseModelOutputWithPooling, tùy chọn) — Đầu ra của mô hình cho bộ mã hóa âm thanh-video kết hợp. - logits_audio_text (
torch.Tensor, optional) — Logits độ tương đồng giữa các embedding âm thanh và văn bản. Hình dạng(batch_size, batch_size). - logits_video_text (
torch.Tensor, tuỳ chọn) — Logits độ tương đồng giữa các embedding video và văn bản. Hình dạng(batch_size, batch_size). - logits_audio_video (
torch.Tensor, tuỳ chọn) — Logits độ tương đồng giữa các embedding âm thanh và video. Hình dạng(batch_size, batch_size). - logits_audio_video_text (
torch.Tensor, tuỳ chọn) — Logits độ tương đồng giữa các phương thức âm thanh, video và văn bản. - logits_audio_plus_text_video (
torch.Tensor, tuỳ chọn) — Logits độ tương đồng giữa các embedding đã hợp nhất (âm thanh + văn bản) và các embedding video. - logits_video_plus_text_audio (
torch.Tensor, tuỳ chọn) — Logits độ tương đồng giữa các embedding đã hợp nhất (video + text) và các embedding audio. - audio_text_loss (
torch.Tensor, tuỳ chọn) — Mất tương phản được tính giữa các biểu diễn âm thanh và văn bản. - video_text_loss (
torch.Tensor, tùy chọn) — Mất tương phản được tính giữa các biểu diễn video và văn bản. - audio_video_loss (
torch.Tensor, tùy chọn) — Mất tương phản được tính giữa các biểu diễn âm thanh và video. - audio_video_text_loss (
torch.Tensor, tùy chọn) — Tổn chung trên các phương thức âm thanh, video và văn bản. - audio_plus_text_video_loss (
torch.Tensor, tùy chọn) — Mất giữa các biểu diễn đã hợp nhất (âm thanh + văn bản) và video. - video_plus_text_audio_loss (
torch.Tensor, tùy chọn) — Mất giữa các biểu diễn đã hợp nhất (video + văn bản) và âm thanh. - loss (
torch.Tensor, tuỳ chọn) — Tổn kết hợp cho tất cả các tổn theo từng phương thức.