HDemucs

class torchaudio.models.HDemucs(sources: List[str], audio_channels: int = 2, channels: int = 48, growth: int = 2, nfft: int = 4096, depth: int = 6, freq_emb: float = 0.2, emb_scale: int = 10, emb_smooth: bool = True, kernel_size: int = 8, time_stride: int = 2, stride: int = 4, context: int = 1, context_enc: int = 0, norm_starts: int = 4, norm_groups: int = 4, dconv_depth: int = 2, dconv_comp: int = 4, dconv_attn: int = 4, dconv_lstm: int = 4, dconv_init: float = 0.0001)

Hybrid Demucs 模型，来自Hybrid Spectrogram and Waveform Source Separation [Défossez, 2021]。

另请参阅

• torchaudio.pipelines.SourceSeparationBundle：具有预训练模型的源分离流水线。

参数

• sources (List[str]) – 源名称列表。列表可以包含以下源选项：["bass", "drums", "other", "mixture", "vocals"]。

• audio_channels (int, optional) – 输入/输出音频通道数。（默认：2）

• channels (int, optional) – 初始隐藏通道数。（默认：48）

• growth (int, optional) – 在每一层将隐藏通道数增加此因子。（默认：2）

• nfft (int, optional) – FFT 单元格数量。请注意，更改此项需要仔细计算各种形状参数，并且对于混合模型可能无法立即生效。（默认：4096）

• depth (int, optional) – 编码器和解码器中的层数（默认：6）

• freq_emb (float, optional) – 如果大于 0，则在第一个频率层后添加频率嵌入，实际值控制嵌入的权重。（默认：0.2）

• emb_scale (int, optional) – 相当于缩放嵌入的学习率（默认：10）

• emb_smooth (bool, optional) – 使用平滑（相对于频率）初始化嵌入。（默认：True）

• kernel_size (int, optional) – 编码器和解码器层的核大小。（默认：8）

• time_stride (int, optional) – 合并后的最终时间层的步长。（默认：2）

• stride (int, optional) – 编码器和解码器层的步长。（默认：4）

• context (int, optional) – 解码器中 1x1 卷积的上下文。（默认：4）

• context_enc (int, optional) – 编码器中 1x1 卷积的上下文。（默认：0）

• norm_starts (int, optional) – 开始使用组归一化的层。解码器层按相反顺序编号。（默认：4）

• norm_groups (int, optional) – 组归一化的组数。（默认：4）

• dconv_depth (int, optional) – 残差 DConv 分支的深度。（默认：2）

• dconv_comp (int, optional) – DConv 分支的压缩比。（默认：4）

• dconv_attn (int, optional) – 在 DConv 分支中从该层开始添加注意力层。（默认：4）

• dconv_lstm (int, optional) – 在 DConv 分支中从该层开始添加 LSTM 层。（默认：4）

• dconv_init (float, optional) – DConv 分支 LayerScale 的初始缩放。（默认：1e-4）

使用 HDemucs 的教程

使用 Hybrid Demucs 进行音乐源分离

使用 Hybrid Demucs 进行音乐源分离

方法

forward

HDemucs.forward(input: Tensor)

HDemucs 前向调用

参数

input (torch.Tensor) – 输入混合张量，形状为 (batch_size, channel, num_frames)

返回

张量

输出张量按源分割，形状为 (batch_size, num_sources, channel, num_frames)

工厂函数

hdemucs_low	构建低 nfft (1024) 版本的 HDemucs，适用于大约 8 kHz 的采样率。
hdemucs_medium	构建中等 nfft (2048) 版本的 HDemucs，适用于 16-32 kHz 的采样率。
hdemucs_high	构建中等 nfft (4096) 版本的 HDemucs，适用于 44.1-48 kHz 的采样率。