mirror of
https://github.com/Anjok07/ultimatevocalremovergui.git
synced 2024-11-14 19:07:37 +01:00
Add files via upload
This commit is contained in:
parent
72531ac3a0
commit
82769c7acd
110
lib_v5/attend.py
Normal file
110
lib_v5/attend.py
Normal file
@ -0,0 +1,110 @@
|
|||||||
|
from functools import wraps
|
||||||
|
from packaging import version
|
||||||
|
from collections import namedtuple
|
||||||
|
|
||||||
|
import torch
|
||||||
|
from torch import nn, einsum
|
||||||
|
import torch.nn.functional as F
|
||||||
|
|
||||||
|
from einops import rearrange, reduce
|
||||||
|
|
||||||
|
# constants
|
||||||
|
|
||||||
|
FlashAttentionConfig = namedtuple('FlashAttentionConfig', ['enable_flash', 'enable_math', 'enable_mem_efficient'])
|
||||||
|
|
||||||
|
# helpers
|
||||||
|
|
||||||
|
def exists(val):
|
||||||
|
return val is not None
|
||||||
|
|
||||||
|
def once(fn):
|
||||||
|
called = False
|
||||||
|
@wraps(fn)
|
||||||
|
def inner(x):
|
||||||
|
nonlocal called
|
||||||
|
if called:
|
||||||
|
return
|
||||||
|
called = True
|
||||||
|
return fn(x)
|
||||||
|
return inner
|
||||||
|
|
||||||
|
print_once = once(print)
|
||||||
|
|
||||||
|
# main class
|
||||||
|
|
||||||
|
class Attend(nn.Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dropout = 0.,
|
||||||
|
flash = False
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.dropout = dropout
|
||||||
|
self.attn_dropout = nn.Dropout(dropout)
|
||||||
|
|
||||||
|
self.flash = flash
|
||||||
|
assert not (flash and version.parse(torch.__version__) < version.parse('2.0.0')), 'in order to use flash attention, you must be using pytorch 2.0 or above'
|
||||||
|
|
||||||
|
# determine efficient attention configs for cuda and cpu
|
||||||
|
|
||||||
|
self.cpu_config = FlashAttentionConfig(True, True, True)
|
||||||
|
self.cuda_config = None
|
||||||
|
|
||||||
|
if not torch.cuda.is_available() or not flash:
|
||||||
|
return
|
||||||
|
|
||||||
|
device_properties = torch.cuda.get_device_properties(torch.device('cuda'))
|
||||||
|
|
||||||
|
if device_properties.major == 8 and device_properties.minor == 0:
|
||||||
|
print_once('A100 GPU detected, using flash attention if input tensor is on cuda')
|
||||||
|
self.cuda_config = FlashAttentionConfig(True, False, False)
|
||||||
|
else:
|
||||||
|
self.cuda_config = FlashAttentionConfig(False, True, True)
|
||||||
|
|
||||||
|
def flash_attn(self, q, k, v):
|
||||||
|
_, heads, q_len, _, k_len, is_cuda, device = *q.shape, k.shape[-2], q.is_cuda, q.device
|
||||||
|
|
||||||
|
# Check if there is a compatible device for flash attention
|
||||||
|
|
||||||
|
config = self.cuda_config if is_cuda else self.cpu_config
|
||||||
|
|
||||||
|
# pytorch 2.0 flash attn: q, k, v, mask, dropout, softmax_scale
|
||||||
|
|
||||||
|
with torch.backends.cuda.sdp_kernel(**config._asdict()):
|
||||||
|
out = F.scaled_dot_product_attention(
|
||||||
|
q, k, v,
|
||||||
|
dropout_p = self.dropout if self.training else 0.
|
||||||
|
)
|
||||||
|
|
||||||
|
return out
|
||||||
|
|
||||||
|
def forward(self, q, k, v):
|
||||||
|
"""
|
||||||
|
einstein notation
|
||||||
|
b - batch
|
||||||
|
h - heads
|
||||||
|
n, i, j - sequence length (base sequence length, source, target)
|
||||||
|
d - feature dimension
|
||||||
|
"""
|
||||||
|
|
||||||
|
q_len, k_len, device = q.shape[-2], k.shape[-2], q.device
|
||||||
|
|
||||||
|
scale = q.shape[-1] ** -0.5
|
||||||
|
|
||||||
|
if self.flash:
|
||||||
|
return self.flash_attn(q, k, v)
|
||||||
|
|
||||||
|
# similarity
|
||||||
|
|
||||||
|
sim = einsum(f"b h i d, b h j d -> b h i j", q, k) * scale
|
||||||
|
|
||||||
|
# attention
|
||||||
|
|
||||||
|
attn = sim.softmax(dim=-1)
|
||||||
|
attn = self.attn_dropout(attn)
|
||||||
|
|
||||||
|
# aggregate values
|
||||||
|
|
||||||
|
out = einsum(f"b h i j, b h j d -> b h i d", attn, v)
|
||||||
|
|
||||||
|
return out
|
607
lib_v5/bs_roformer.py
Normal file
607
lib_v5/bs_roformer.py
Normal file
@ -0,0 +1,607 @@
|
|||||||
|
from functools import partial
|
||||||
|
|
||||||
|
import torch
|
||||||
|
from torch import nn, einsum, Tensor
|
||||||
|
from torch.nn import Module, ModuleList
|
||||||
|
import torch.nn.functional as F
|
||||||
|
|
||||||
|
from .attend import Attend
|
||||||
|
|
||||||
|
from beartype.typing import Tuple, Optional, List, Callable
|
||||||
|
from beartype import beartype
|
||||||
|
|
||||||
|
from rotary_embedding_torch import RotaryEmbedding
|
||||||
|
|
||||||
|
from einops import rearrange, pack, unpack
|
||||||
|
from einops.layers.torch import Rearrange
|
||||||
|
|
||||||
|
# helper functions
|
||||||
|
|
||||||
|
def exists(val):
|
||||||
|
return val is not None
|
||||||
|
|
||||||
|
|
||||||
|
def default(v, d):
|
||||||
|
return v if exists(v) else d
|
||||||
|
|
||||||
|
|
||||||
|
def pack_one(t, pattern):
|
||||||
|
return pack([t], pattern)
|
||||||
|
|
||||||
|
|
||||||
|
def unpack_one(t, ps, pattern):
|
||||||
|
return unpack(t, ps, pattern)[0]
|
||||||
|
|
||||||
|
|
||||||
|
# norm
|
||||||
|
|
||||||
|
def l2norm(t):
|
||||||
|
return F.normalize(t, dim = -1, p = 2)
|
||||||
|
|
||||||
|
|
||||||
|
class RMSNorm(Module):
|
||||||
|
def __init__(self, dim):
|
||||||
|
super().__init__()
|
||||||
|
self.scale = dim ** 0.5
|
||||||
|
self.gamma = nn.Parameter(torch.ones(dim))
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = x.to(self.gamma.device)
|
||||||
|
return F.normalize(x, dim=-1) * self.scale * self.gamma
|
||||||
|
|
||||||
|
|
||||||
|
# attention
|
||||||
|
|
||||||
|
class FeedForward(Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
mult=4,
|
||||||
|
dropout=0.
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
dim_inner = int(dim * mult)
|
||||||
|
self.net = nn.Sequential(
|
||||||
|
RMSNorm(dim),
|
||||||
|
nn.Linear(dim, dim_inner),
|
||||||
|
nn.GELU(),
|
||||||
|
nn.Dropout(dropout),
|
||||||
|
nn.Linear(dim_inner, dim),
|
||||||
|
nn.Dropout(dropout)
|
||||||
|
)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
return self.net(x)
|
||||||
|
|
||||||
|
|
||||||
|
class Attention(Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
heads=8,
|
||||||
|
dim_head=64,
|
||||||
|
dropout=0.,
|
||||||
|
rotary_embed=None,
|
||||||
|
flash=True
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.heads = heads
|
||||||
|
self.scale = dim_head ** -0.5
|
||||||
|
dim_inner = heads * dim_head
|
||||||
|
|
||||||
|
self.rotary_embed = rotary_embed
|
||||||
|
|
||||||
|
self.attend = Attend(flash=flash, dropout=dropout)
|
||||||
|
|
||||||
|
self.norm = RMSNorm(dim)
|
||||||
|
self.to_qkv = nn.Linear(dim, dim_inner * 3, bias=False)
|
||||||
|
|
||||||
|
self.to_gates = nn.Linear(dim, heads)
|
||||||
|
|
||||||
|
self.to_out = nn.Sequential(
|
||||||
|
nn.Linear(dim_inner, dim, bias=False),
|
||||||
|
nn.Dropout(dropout)
|
||||||
|
)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = self.norm(x)
|
||||||
|
|
||||||
|
q, k, v = rearrange(self.to_qkv(x), 'b n (qkv h d) -> qkv b h n d', qkv=3, h=self.heads)
|
||||||
|
|
||||||
|
if exists(self.rotary_embed):
|
||||||
|
q = self.rotary_embed.rotate_queries_or_keys(q)
|
||||||
|
k = self.rotary_embed.rotate_queries_or_keys(k)
|
||||||
|
|
||||||
|
out = self.attend(q, k, v)
|
||||||
|
|
||||||
|
gates = self.to_gates(x)
|
||||||
|
out = out * rearrange(gates, 'b n h -> b h n 1').sigmoid()
|
||||||
|
|
||||||
|
out = rearrange(out, 'b h n d -> b n (h d)')
|
||||||
|
return self.to_out(out)
|
||||||
|
|
||||||
|
|
||||||
|
class LinearAttention(Module):
|
||||||
|
"""
|
||||||
|
this flavor of linear attention proposed in https://arxiv.org/abs/2106.09681 by El-Nouby et al.
|
||||||
|
"""
|
||||||
|
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
*,
|
||||||
|
dim,
|
||||||
|
dim_head=32,
|
||||||
|
heads=8,
|
||||||
|
scale=8,
|
||||||
|
flash=False,
|
||||||
|
dropout=0.
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
dim_inner = dim_head * heads
|
||||||
|
self.norm = RMSNorm(dim)
|
||||||
|
|
||||||
|
self.to_qkv = nn.Sequential(
|
||||||
|
nn.Linear(dim, dim_inner * 3, bias=False),
|
||||||
|
Rearrange('b n (qkv h d) -> qkv b h d n', qkv=3, h=heads)
|
||||||
|
)
|
||||||
|
|
||||||
|
self.temperature = nn.Parameter(torch.ones(heads, 1, 1))
|
||||||
|
|
||||||
|
self.attend = Attend(
|
||||||
|
scale=scale,
|
||||||
|
dropout=dropout,
|
||||||
|
flash=flash
|
||||||
|
)
|
||||||
|
|
||||||
|
self.to_out = nn.Sequential(
|
||||||
|
Rearrange('b h d n -> b n (h d)'),
|
||||||
|
nn.Linear(dim_inner, dim, bias=False)
|
||||||
|
)
|
||||||
|
|
||||||
|
def forward(
|
||||||
|
self,
|
||||||
|
x
|
||||||
|
):
|
||||||
|
x = self.norm(x)
|
||||||
|
|
||||||
|
q, k, v = self.to_qkv(x)
|
||||||
|
|
||||||
|
q, k = map(l2norm, (q, k))
|
||||||
|
q = q * self.temperature.exp()
|
||||||
|
|
||||||
|
out = self.attend(q, k, v)
|
||||||
|
|
||||||
|
return self.to_out(out)
|
||||||
|
|
||||||
|
|
||||||
|
class Transformer(Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
*,
|
||||||
|
dim,
|
||||||
|
depth,
|
||||||
|
dim_head=64,
|
||||||
|
heads=8,
|
||||||
|
attn_dropout=0.,
|
||||||
|
ff_dropout=0.,
|
||||||
|
ff_mult=4,
|
||||||
|
norm_output=True,
|
||||||
|
rotary_embed=None,
|
||||||
|
flash_attn=True,
|
||||||
|
linear_attn=False
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.layers = ModuleList([])
|
||||||
|
|
||||||
|
for _ in range(depth):
|
||||||
|
if linear_attn:
|
||||||
|
attn = LinearAttention(dim=dim, dim_head=dim_head, heads=heads, dropout=attn_dropout, flash=flash_attn)
|
||||||
|
else:
|
||||||
|
attn = Attention(dim=dim, dim_head=dim_head, heads=heads, dropout=attn_dropout,
|
||||||
|
rotary_embed=rotary_embed, flash=flash_attn)
|
||||||
|
|
||||||
|
self.layers.append(ModuleList([
|
||||||
|
attn,
|
||||||
|
FeedForward(dim=dim, mult=ff_mult, dropout=ff_dropout)
|
||||||
|
]))
|
||||||
|
|
||||||
|
self.norm = RMSNorm(dim) if norm_output else nn.Identity()
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
|
||||||
|
for attn, ff in self.layers:
|
||||||
|
x = attn(x) + x
|
||||||
|
x = ff(x) + x
|
||||||
|
|
||||||
|
return self.norm(x)
|
||||||
|
|
||||||
|
|
||||||
|
# bandsplit module
|
||||||
|
|
||||||
|
class BandSplit(Module):
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
dim_inputs: Tuple[int, ...]
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.dim_inputs = dim_inputs
|
||||||
|
self.to_features = ModuleList([])
|
||||||
|
|
||||||
|
for dim_in in dim_inputs:
|
||||||
|
net = nn.Sequential(
|
||||||
|
RMSNorm(dim_in),
|
||||||
|
nn.Linear(dim_in, dim)
|
||||||
|
)
|
||||||
|
|
||||||
|
self.to_features.append(net)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = x.split(self.dim_inputs, dim=-1)
|
||||||
|
|
||||||
|
outs = []
|
||||||
|
for split_input, to_feature in zip(x, self.to_features):
|
||||||
|
split_output = to_feature(split_input)
|
||||||
|
outs.append(split_output)
|
||||||
|
|
||||||
|
return torch.stack(outs, dim=-2)
|
||||||
|
|
||||||
|
|
||||||
|
def MLP(
|
||||||
|
dim_in,
|
||||||
|
dim_out,
|
||||||
|
dim_hidden=None,
|
||||||
|
depth=1,
|
||||||
|
activation=nn.Tanh
|
||||||
|
):
|
||||||
|
dim_hidden = default(dim_hidden, dim_in)
|
||||||
|
|
||||||
|
net = []
|
||||||
|
dims = (dim_in, *((dim_hidden,) * (depth - 1)), dim_out)
|
||||||
|
|
||||||
|
for ind, (layer_dim_in, layer_dim_out) in enumerate(zip(dims[:-1], dims[1:])):
|
||||||
|
is_last = ind == (len(dims) - 2)
|
||||||
|
|
||||||
|
net.append(nn.Linear(layer_dim_in, layer_dim_out))
|
||||||
|
|
||||||
|
if is_last:
|
||||||
|
continue
|
||||||
|
|
||||||
|
net.append(activation())
|
||||||
|
|
||||||
|
return nn.Sequential(*net)
|
||||||
|
|
||||||
|
|
||||||
|
class MaskEstimator(Module):
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
dim_inputs: Tuple[int, ...],
|
||||||
|
depth,
|
||||||
|
mlp_expansion_factor=4
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.dim_inputs = dim_inputs
|
||||||
|
self.to_freqs = ModuleList([])
|
||||||
|
dim_hidden = dim * mlp_expansion_factor
|
||||||
|
|
||||||
|
for dim_in in dim_inputs:
|
||||||
|
net = []
|
||||||
|
|
||||||
|
mlp = nn.Sequential(
|
||||||
|
MLP(dim, dim_in * 2, dim_hidden=dim_hidden, depth=depth),
|
||||||
|
nn.GLU(dim=-1)
|
||||||
|
)
|
||||||
|
|
||||||
|
self.to_freqs.append(mlp)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = x.unbind(dim=-2)
|
||||||
|
|
||||||
|
outs = []
|
||||||
|
|
||||||
|
for band_features, mlp in zip(x, self.to_freqs):
|
||||||
|
freq_out = mlp(band_features)
|
||||||
|
outs.append(freq_out)
|
||||||
|
|
||||||
|
return torch.cat(outs, dim=-1)
|
||||||
|
|
||||||
|
|
||||||
|
# main class
|
||||||
|
|
||||||
|
DEFAULT_FREQS_PER_BANDS = (
|
||||||
|
2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
|
||||||
|
2, 2, 2, 2, 2, 2, 2, 2, 2, 2,
|
||||||
|
2, 2, 2, 2,
|
||||||
|
4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4,
|
||||||
|
12, 12, 12, 12, 12, 12, 12, 12,
|
||||||
|
24, 24, 24, 24, 24, 24, 24, 24,
|
||||||
|
48, 48, 48, 48, 48, 48, 48, 48,
|
||||||
|
128, 129,
|
||||||
|
)
|
||||||
|
|
||||||
|
|
||||||
|
class BSRoformer(Module):
|
||||||
|
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
*,
|
||||||
|
depth,
|
||||||
|
stereo=False,
|
||||||
|
num_stems=1,
|
||||||
|
time_transformer_depth=2,
|
||||||
|
freq_transformer_depth=2,
|
||||||
|
linear_transformer_depth=0,
|
||||||
|
freqs_per_bands: Tuple[int, ...] = DEFAULT_FREQS_PER_BANDS,
|
||||||
|
# in the paper, they divide into ~60 bands, test with 1 for starters
|
||||||
|
dim_head=64,
|
||||||
|
heads=8,
|
||||||
|
attn_dropout=0.,
|
||||||
|
ff_dropout=0.,
|
||||||
|
flash_attn=True,
|
||||||
|
dim_freqs_in=1025,
|
||||||
|
stft_n_fft=2048,
|
||||||
|
stft_hop_length=512,
|
||||||
|
# 10ms at 44100Hz, from sections 4.1, 4.4 in the paper - @faroit recommends // 2 or // 4 for better reconstruction
|
||||||
|
stft_win_length=2048,
|
||||||
|
stft_normalized=False,
|
||||||
|
stft_window_fn: Optional[Callable] = None,
|
||||||
|
mask_estimator_depth=2,
|
||||||
|
multi_stft_resolution_loss_weight=1.,
|
||||||
|
multi_stft_resolutions_window_sizes: Tuple[int, ...] = (4096, 2048, 1024, 512, 256),
|
||||||
|
multi_stft_hop_size=147,
|
||||||
|
multi_stft_normalized=False,
|
||||||
|
multi_stft_window_fn: Callable = torch.hann_window
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
|
||||||
|
self.stereo = stereo
|
||||||
|
self.audio_channels = 2 if stereo else 1
|
||||||
|
self.num_stems = num_stems
|
||||||
|
|
||||||
|
self.layers = ModuleList([])
|
||||||
|
|
||||||
|
transformer_kwargs = dict(
|
||||||
|
dim=dim,
|
||||||
|
heads=heads,
|
||||||
|
dim_head=dim_head,
|
||||||
|
attn_dropout=attn_dropout,
|
||||||
|
ff_dropout=ff_dropout,
|
||||||
|
flash_attn=flash_attn,
|
||||||
|
norm_output=False
|
||||||
|
)
|
||||||
|
|
||||||
|
time_rotary_embed = RotaryEmbedding(dim=dim_head)
|
||||||
|
freq_rotary_embed = RotaryEmbedding(dim=dim_head)
|
||||||
|
|
||||||
|
for _ in range(depth):
|
||||||
|
tran_modules = []
|
||||||
|
if linear_transformer_depth > 0:
|
||||||
|
tran_modules.append(Transformer(depth=linear_transformer_depth, linear_attn=True, **transformer_kwargs))
|
||||||
|
tran_modules.append(
|
||||||
|
Transformer(depth=time_transformer_depth, rotary_embed=time_rotary_embed, **transformer_kwargs)
|
||||||
|
)
|
||||||
|
tran_modules.append(
|
||||||
|
Transformer(depth=freq_transformer_depth, rotary_embed=freq_rotary_embed, **transformer_kwargs)
|
||||||
|
)
|
||||||
|
self.layers.append(nn.ModuleList(tran_modules))
|
||||||
|
|
||||||
|
self.final_norm = RMSNorm(dim)
|
||||||
|
|
||||||
|
self.stft_kwargs = dict(
|
||||||
|
n_fft=stft_n_fft,
|
||||||
|
hop_length=stft_hop_length,
|
||||||
|
win_length=stft_win_length,
|
||||||
|
normalized=stft_normalized
|
||||||
|
)
|
||||||
|
|
||||||
|
self.stft_window_fn = partial(default(stft_window_fn, torch.hann_window), stft_win_length)
|
||||||
|
|
||||||
|
freqs = torch.stft(torch.randn(1, 4096), **self.stft_kwargs, return_complex=True).shape[1]
|
||||||
|
|
||||||
|
assert len(freqs_per_bands) > 1
|
||||||
|
assert sum(
|
||||||
|
freqs_per_bands) == freqs, f'the number of freqs in the bands must equal {freqs} based on the STFT settings, but got {sum(freqs_per_bands)}'
|
||||||
|
|
||||||
|
freqs_per_bands_with_complex = tuple(2 * f * self.audio_channels for f in freqs_per_bands)
|
||||||
|
|
||||||
|
self.band_split = BandSplit(
|
||||||
|
dim=dim,
|
||||||
|
dim_inputs=freqs_per_bands_with_complex
|
||||||
|
)
|
||||||
|
|
||||||
|
self.mask_estimators = nn.ModuleList([])
|
||||||
|
|
||||||
|
for _ in range(num_stems):
|
||||||
|
mask_estimator = MaskEstimator(
|
||||||
|
dim=dim,
|
||||||
|
dim_inputs=freqs_per_bands_with_complex,
|
||||||
|
depth=mask_estimator_depth
|
||||||
|
)
|
||||||
|
|
||||||
|
self.mask_estimators.append(mask_estimator)
|
||||||
|
|
||||||
|
# for the multi-resolution stft loss
|
||||||
|
|
||||||
|
self.multi_stft_resolution_loss_weight = multi_stft_resolution_loss_weight
|
||||||
|
self.multi_stft_resolutions_window_sizes = multi_stft_resolutions_window_sizes
|
||||||
|
self.multi_stft_n_fft = stft_n_fft
|
||||||
|
self.multi_stft_window_fn = multi_stft_window_fn
|
||||||
|
|
||||||
|
self.multi_stft_kwargs = dict(
|
||||||
|
hop_length=multi_stft_hop_size,
|
||||||
|
normalized=multi_stft_normalized
|
||||||
|
)
|
||||||
|
|
||||||
|
def forward(
|
||||||
|
self,
|
||||||
|
raw_audio,
|
||||||
|
target=None,
|
||||||
|
return_loss_breakdown=False
|
||||||
|
):
|
||||||
|
"""
|
||||||
|
einops
|
||||||
|
|
||||||
|
b - batch
|
||||||
|
f - freq
|
||||||
|
t - time
|
||||||
|
s - audio channel (1 for mono, 2 for stereo)
|
||||||
|
n - number of 'stems'
|
||||||
|
c - complex (2)
|
||||||
|
d - feature dimension
|
||||||
|
"""
|
||||||
|
|
||||||
|
original_device = raw_audio.device
|
||||||
|
|
||||||
|
x_is_mps = True if original_device.type == 'mps' else False
|
||||||
|
|
||||||
|
if x_is_mps:
|
||||||
|
raw_audio = raw_audio.cpu()
|
||||||
|
|
||||||
|
device = raw_audio.device
|
||||||
|
|
||||||
|
if raw_audio.ndim == 2:
|
||||||
|
raw_audio = rearrange(raw_audio, 'b t -> b 1 t')
|
||||||
|
|
||||||
|
channels = raw_audio.shape[1]
|
||||||
|
assert (not self.stereo and channels == 1) or (
|
||||||
|
self.stereo and channels == 2), 'stereo needs to be set to True if passing in audio signal that is stereo (channel dimension of 2). also need to be False if mono (channel dimension of 1)'
|
||||||
|
|
||||||
|
# to stft
|
||||||
|
|
||||||
|
raw_audio, batch_audio_channel_packed_shape = pack_one(raw_audio, '* t')
|
||||||
|
|
||||||
|
stft_window = self.stft_window_fn(device=device)
|
||||||
|
|
||||||
|
stft_repr = torch.stft(raw_audio, **self.stft_kwargs, window=stft_window, return_complex=True)
|
||||||
|
stft_repr = torch.view_as_real(stft_repr)
|
||||||
|
|
||||||
|
stft_repr = unpack_one(stft_repr, batch_audio_channel_packed_shape, '* f t c')
|
||||||
|
stft_repr = rearrange(stft_repr,
|
||||||
|
'b s f t c -> b (f s) t c') # merge stereo / mono into the frequency, with frequency leading dimension, for band splitting
|
||||||
|
|
||||||
|
x = rearrange(stft_repr, 'b f t c -> b t (f c)')
|
||||||
|
|
||||||
|
x = self.band_split(x)
|
||||||
|
|
||||||
|
# axial / hierarchical attention
|
||||||
|
|
||||||
|
for transformer_block in self.layers:
|
||||||
|
|
||||||
|
if len(transformer_block) == 3:
|
||||||
|
linear_transformer, time_transformer, freq_transformer = transformer_block
|
||||||
|
|
||||||
|
x, ft_ps = pack([x], 'b * d')
|
||||||
|
x = linear_transformer(x)
|
||||||
|
x, = unpack(x, ft_ps, 'b * d')
|
||||||
|
else:
|
||||||
|
time_transformer, freq_transformer = transformer_block
|
||||||
|
|
||||||
|
x = rearrange(x, 'b t f d -> b f t d')
|
||||||
|
x, ps = pack([x], '* t d')
|
||||||
|
|
||||||
|
x = time_transformer(x)
|
||||||
|
|
||||||
|
x, = unpack(x, ps, '* t d')
|
||||||
|
x = rearrange(x, 'b f t d -> b t f d')
|
||||||
|
x, ps = pack([x], '* f d')
|
||||||
|
|
||||||
|
x = freq_transformer(x)
|
||||||
|
|
||||||
|
x, = unpack(x, ps, '* f d')
|
||||||
|
|
||||||
|
x = self.final_norm(x)
|
||||||
|
|
||||||
|
num_stems = len(self.mask_estimators)
|
||||||
|
|
||||||
|
mask = torch.stack([fn(x) for fn in self.mask_estimators], dim=1)
|
||||||
|
mask = rearrange(mask, 'b n t (f c) -> b n f t c', c=2)
|
||||||
|
|
||||||
|
if x_is_mps:
|
||||||
|
mask = mask.to('cpu')
|
||||||
|
|
||||||
|
# modulate frequency representation
|
||||||
|
|
||||||
|
stft_repr = rearrange(stft_repr, 'b f t c -> b 1 f t c')
|
||||||
|
|
||||||
|
# complex number multiplication
|
||||||
|
|
||||||
|
stft_repr = torch.view_as_complex(stft_repr)
|
||||||
|
mask = torch.view_as_complex(mask)
|
||||||
|
|
||||||
|
stft_repr = stft_repr * mask
|
||||||
|
|
||||||
|
# istft
|
||||||
|
|
||||||
|
stft_repr = rearrange(stft_repr, 'b n (f s) t -> (b n s) f t', s=self.audio_channels)
|
||||||
|
|
||||||
|
recon_audio = torch.istft(stft_repr, **self.stft_kwargs, window=stft_window, return_complex=False)
|
||||||
|
|
||||||
|
recon_audio = rearrange(recon_audio, '(b n s) t -> b n s t', s=self.audio_channels, n=num_stems)
|
||||||
|
|
||||||
|
if num_stems == 1:
|
||||||
|
recon_audio = rearrange(recon_audio, 'b 1 s t -> b s t')
|
||||||
|
|
||||||
|
# if a target is passed in, calculate loss for learning
|
||||||
|
|
||||||
|
if not exists(target):
|
||||||
|
return recon_audio
|
||||||
|
|
||||||
|
if self.num_stems > 1:
|
||||||
|
assert target.ndim == 4 and target.shape[1] == self.num_stems
|
||||||
|
|
||||||
|
if target.ndim == 2:
|
||||||
|
target = rearrange(target, '... t -> ... 1 t')
|
||||||
|
|
||||||
|
target = target[..., :recon_audio.shape[-1]]
|
||||||
|
|
||||||
|
loss = F.l1_loss(recon_audio, target)
|
||||||
|
|
||||||
|
multi_stft_resolution_loss = 0.
|
||||||
|
|
||||||
|
for window_size in self.multi_stft_resolutions_window_sizes:
|
||||||
|
res_stft_kwargs = dict(
|
||||||
|
n_fft=max(window_size, self.multi_stft_n_fft),
|
||||||
|
win_length=window_size,
|
||||||
|
return_complex=True,
|
||||||
|
window=self.multi_stft_window_fn(window_size, device=device),
|
||||||
|
**self.multi_stft_kwargs,
|
||||||
|
)
|
||||||
|
|
||||||
|
recon_Y = torch.stft(rearrange(recon_audio, '... s t -> (... s) t'), **res_stft_kwargs)
|
||||||
|
target_Y = torch.stft(rearrange(target, '... s t -> (... s) t'), **res_stft_kwargs)
|
||||||
|
|
||||||
|
multi_stft_resolution_loss = multi_stft_resolution_loss + F.l1_loss(recon_Y, target_Y)
|
||||||
|
|
||||||
|
weighted_multi_resolution_loss = multi_stft_resolution_loss * self.multi_stft_resolution_loss_weight
|
||||||
|
|
||||||
|
total_loss = loss + weighted_multi_resolution_loss
|
||||||
|
|
||||||
|
|
||||||
|
if not return_loss_breakdown:
|
||||||
|
# Move the result back to the original device if it was moved to CPU for MPS compatibility
|
||||||
|
if x_is_mps:
|
||||||
|
total_loss = total_loss.to(original_device)
|
||||||
|
return total_loss
|
||||||
|
|
||||||
|
# For detailed loss breakdown, ensure all components are moved back to the original device for MPS
|
||||||
|
if x_is_mps:
|
||||||
|
loss = loss.to(original_device)
|
||||||
|
multi_stft_resolution_loss = multi_stft_resolution_loss.to(original_device)
|
||||||
|
weighted_multi_resolution_loss = weighted_multi_resolution_loss.to(original_device)
|
||||||
|
|
||||||
|
return total_loss, (loss, multi_stft_resolution_loss)
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
# if not return_loss_breakdown:
|
||||||
|
# return total_loss
|
||||||
|
|
||||||
|
# return total_loss, (loss, multi_stft_resolution_loss)
|
528
lib_v5/mel_band_roformer.py
Normal file
528
lib_v5/mel_band_roformer.py
Normal file
@ -0,0 +1,528 @@
|
|||||||
|
from functools import partial
|
||||||
|
|
||||||
|
import torch
|
||||||
|
from torch import nn, einsum, Tensor
|
||||||
|
from torch.nn import Module, ModuleList
|
||||||
|
import torch.nn.functional as F
|
||||||
|
|
||||||
|
from .attend import Attend
|
||||||
|
|
||||||
|
from beartype.typing import Tuple, Optional, List, Callable
|
||||||
|
from beartype import beartype
|
||||||
|
|
||||||
|
from rotary_embedding_torch import RotaryEmbedding
|
||||||
|
|
||||||
|
from einops import rearrange, pack, unpack, reduce, repeat
|
||||||
|
|
||||||
|
from librosa import filters
|
||||||
|
|
||||||
|
def exists(val):
|
||||||
|
return val is not None
|
||||||
|
|
||||||
|
|
||||||
|
def default(v, d):
|
||||||
|
return v if exists(v) else d
|
||||||
|
|
||||||
|
|
||||||
|
def pack_one(t, pattern):
|
||||||
|
return pack([t], pattern)
|
||||||
|
|
||||||
|
|
||||||
|
def unpack_one(t, ps, pattern):
|
||||||
|
return unpack(t, ps, pattern)[0]
|
||||||
|
|
||||||
|
|
||||||
|
def pad_at_dim(t, pad, dim=-1, value=0.):
|
||||||
|
dims_from_right = (- dim - 1) if dim < 0 else (t.ndim - dim - 1)
|
||||||
|
zeros = ((0, 0) * dims_from_right)
|
||||||
|
return F.pad(t, (*zeros, *pad), value=value)
|
||||||
|
|
||||||
|
class RMSNorm(Module):
|
||||||
|
def __init__(self, dim):
|
||||||
|
super().__init__()
|
||||||
|
self.scale = dim ** 0.5
|
||||||
|
self.gamma = nn.Parameter(torch.ones(dim))
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = x.to(self.gamma.device)
|
||||||
|
return F.normalize(x, dim=-1) * self.scale * self.gamma
|
||||||
|
|
||||||
|
class FeedForward(Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
mult=4,
|
||||||
|
dropout=0.
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
dim_inner = int(dim * mult)
|
||||||
|
self.net = nn.Sequential(
|
||||||
|
RMSNorm(dim),
|
||||||
|
nn.Linear(dim, dim_inner),
|
||||||
|
nn.GELU(),
|
||||||
|
nn.Dropout(dropout),
|
||||||
|
nn.Linear(dim_inner, dim),
|
||||||
|
nn.Dropout(dropout)
|
||||||
|
)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
return self.net(x)
|
||||||
|
|
||||||
|
|
||||||
|
class Attention(Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
heads=8,
|
||||||
|
dim_head=64,
|
||||||
|
dropout=0.,
|
||||||
|
rotary_embed=None,
|
||||||
|
flash=True
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.heads = heads
|
||||||
|
self.scale = dim_head ** -0.5
|
||||||
|
dim_inner = heads * dim_head
|
||||||
|
|
||||||
|
self.rotary_embed = rotary_embed
|
||||||
|
|
||||||
|
self.attend = Attend(flash=flash, dropout=dropout)
|
||||||
|
|
||||||
|
self.norm = RMSNorm(dim)
|
||||||
|
self.to_qkv = nn.Linear(dim, dim_inner * 3, bias=False)
|
||||||
|
|
||||||
|
self.to_gates = nn.Linear(dim, heads)
|
||||||
|
|
||||||
|
self.to_out = nn.Sequential(
|
||||||
|
nn.Linear(dim_inner, dim, bias=False),
|
||||||
|
nn.Dropout(dropout)
|
||||||
|
)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = self.norm(x)
|
||||||
|
|
||||||
|
q, k, v = rearrange(self.to_qkv(x), 'b n (qkv h d) -> qkv b h n d', qkv=3, h=self.heads)
|
||||||
|
|
||||||
|
if exists(self.rotary_embed):
|
||||||
|
q = self.rotary_embed.rotate_queries_or_keys(q)
|
||||||
|
k = self.rotary_embed.rotate_queries_or_keys(k)
|
||||||
|
|
||||||
|
out = self.attend(q, k, v)
|
||||||
|
|
||||||
|
gates = self.to_gates(x)
|
||||||
|
out = out * rearrange(gates, 'b n h -> b h n 1').sigmoid()
|
||||||
|
|
||||||
|
out = rearrange(out, 'b h n d -> b n (h d)')
|
||||||
|
return self.to_out(out)
|
||||||
|
|
||||||
|
|
||||||
|
class Transformer(Module):
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
*,
|
||||||
|
dim,
|
||||||
|
depth,
|
||||||
|
dim_head=64,
|
||||||
|
heads=8,
|
||||||
|
attn_dropout=0.,
|
||||||
|
ff_dropout=0.,
|
||||||
|
ff_mult=4,
|
||||||
|
norm_output=True,
|
||||||
|
rotary_embed=None,
|
||||||
|
flash_attn=True
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.layers = ModuleList([])
|
||||||
|
|
||||||
|
for _ in range(depth):
|
||||||
|
self.layers.append(ModuleList([
|
||||||
|
Attention(dim=dim, dim_head=dim_head, heads=heads, dropout=attn_dropout, rotary_embed=rotary_embed,
|
||||||
|
flash=flash_attn),
|
||||||
|
FeedForward(dim=dim, mult=ff_mult, dropout=ff_dropout)
|
||||||
|
]))
|
||||||
|
|
||||||
|
self.norm = RMSNorm(dim) if norm_output else nn.Identity()
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
|
||||||
|
for attn, ff in self.layers:
|
||||||
|
x = attn(x) + x
|
||||||
|
x = ff(x) + x
|
||||||
|
|
||||||
|
return self.norm(x)
|
||||||
|
|
||||||
|
class BandSplit(Module):
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
dim_inputs: Tuple[int, ...]
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.dim_inputs = dim_inputs
|
||||||
|
self.to_features = ModuleList([])
|
||||||
|
|
||||||
|
for dim_in in dim_inputs:
|
||||||
|
net = nn.Sequential(
|
||||||
|
RMSNorm(dim_in),
|
||||||
|
nn.Linear(dim_in, dim)
|
||||||
|
)
|
||||||
|
|
||||||
|
self.to_features.append(net)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = x.split(self.dim_inputs, dim=-1)
|
||||||
|
|
||||||
|
outs = []
|
||||||
|
for split_input, to_feature in zip(x, self.to_features):
|
||||||
|
split_output = to_feature(split_input)
|
||||||
|
outs.append(split_output)
|
||||||
|
|
||||||
|
return torch.stack(outs, dim=-2)
|
||||||
|
|
||||||
|
|
||||||
|
def MLP(
|
||||||
|
dim_in,
|
||||||
|
dim_out,
|
||||||
|
dim_hidden=None,
|
||||||
|
depth=1,
|
||||||
|
activation=nn.Tanh
|
||||||
|
):
|
||||||
|
dim_hidden = default(dim_hidden, dim_in)
|
||||||
|
|
||||||
|
net = []
|
||||||
|
dims = (dim_in, *((dim_hidden,) * depth), dim_out)
|
||||||
|
|
||||||
|
for ind, (layer_dim_in, layer_dim_out) in enumerate(zip(dims[:-1], dims[1:])):
|
||||||
|
is_last = ind == (len(dims) - 2)
|
||||||
|
|
||||||
|
net.append(nn.Linear(layer_dim_in, layer_dim_out))
|
||||||
|
|
||||||
|
if is_last:
|
||||||
|
continue
|
||||||
|
|
||||||
|
net.append(activation())
|
||||||
|
|
||||||
|
return nn.Sequential(*net)
|
||||||
|
|
||||||
|
|
||||||
|
class MaskEstimator(Module):
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
dim_inputs: Tuple[int, ...],
|
||||||
|
depth,
|
||||||
|
mlp_expansion_factor=4
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
self.dim_inputs = dim_inputs
|
||||||
|
self.to_freqs = ModuleList([])
|
||||||
|
dim_hidden = dim * mlp_expansion_factor
|
||||||
|
|
||||||
|
for dim_in in dim_inputs:
|
||||||
|
net = []
|
||||||
|
|
||||||
|
mlp = nn.Sequential(
|
||||||
|
MLP(dim, dim_in * 2, dim_hidden=dim_hidden, depth=depth),
|
||||||
|
nn.GLU(dim=-1)
|
||||||
|
)
|
||||||
|
|
||||||
|
self.to_freqs.append(mlp)
|
||||||
|
|
||||||
|
def forward(self, x):
|
||||||
|
x = x.unbind(dim=-2)
|
||||||
|
|
||||||
|
outs = []
|
||||||
|
|
||||||
|
for band_features, mlp in zip(x, self.to_freqs):
|
||||||
|
freq_out = mlp(band_features)
|
||||||
|
outs.append(freq_out)
|
||||||
|
|
||||||
|
return torch.cat(outs, dim=-1)
|
||||||
|
|
||||||
|
class MelBandRoformer(Module):
|
||||||
|
|
||||||
|
@beartype
|
||||||
|
def __init__(
|
||||||
|
self,
|
||||||
|
dim,
|
||||||
|
*,
|
||||||
|
depth,
|
||||||
|
stereo=False,
|
||||||
|
num_stems=1,
|
||||||
|
time_transformer_depth=2,
|
||||||
|
freq_transformer_depth=2,
|
||||||
|
num_bands=60,
|
||||||
|
dim_head=64,
|
||||||
|
heads=8,
|
||||||
|
attn_dropout=0.1,
|
||||||
|
ff_dropout=0.1,
|
||||||
|
flash_attn=True,
|
||||||
|
dim_freqs_in=1025,
|
||||||
|
sample_rate=44100,
|
||||||
|
stft_n_fft=2048,
|
||||||
|
stft_hop_length=512,
|
||||||
|
stft_win_length=2048,
|
||||||
|
stft_normalized=False,
|
||||||
|
stft_window_fn: Optional[Callable] = None,
|
||||||
|
mask_estimator_depth=1,
|
||||||
|
multi_stft_resolution_loss_weight=1.,
|
||||||
|
multi_stft_resolutions_window_sizes: Tuple[int, ...] = (4096, 2048, 1024, 512, 256),
|
||||||
|
multi_stft_hop_size=147,
|
||||||
|
multi_stft_normalized=False,
|
||||||
|
multi_stft_window_fn: Callable = torch.hann_window,
|
||||||
|
match_input_audio_length=False,
|
||||||
|
):
|
||||||
|
super().__init__()
|
||||||
|
|
||||||
|
self.stereo = stereo
|
||||||
|
self.audio_channels = 2 if stereo else 1
|
||||||
|
self.num_stems = num_stems
|
||||||
|
|
||||||
|
self.layers = ModuleList([])
|
||||||
|
|
||||||
|
transformer_kwargs = dict(
|
||||||
|
dim=dim,
|
||||||
|
heads=heads,
|
||||||
|
dim_head=dim_head,
|
||||||
|
attn_dropout=attn_dropout,
|
||||||
|
ff_dropout=ff_dropout,
|
||||||
|
flash_attn=flash_attn
|
||||||
|
)
|
||||||
|
|
||||||
|
time_rotary_embed = RotaryEmbedding(dim=dim_head)
|
||||||
|
freq_rotary_embed = RotaryEmbedding(dim=dim_head)
|
||||||
|
|
||||||
|
for _ in range(depth):
|
||||||
|
self.layers.append(nn.ModuleList([
|
||||||
|
Transformer(depth=time_transformer_depth, rotary_embed=time_rotary_embed, **transformer_kwargs),
|
||||||
|
Transformer(depth=freq_transformer_depth, rotary_embed=freq_rotary_embed, **transformer_kwargs)
|
||||||
|
]))
|
||||||
|
|
||||||
|
self.stft_window_fn = partial(default(stft_window_fn, torch.hann_window), stft_win_length)
|
||||||
|
|
||||||
|
self.stft_kwargs = dict(
|
||||||
|
n_fft=stft_n_fft,
|
||||||
|
hop_length=stft_hop_length,
|
||||||
|
win_length=stft_win_length,
|
||||||
|
normalized=stft_normalized
|
||||||
|
)
|
||||||
|
|
||||||
|
freqs = torch.stft(torch.randn(1, 4096), **self.stft_kwargs, return_complex=True).shape[1]
|
||||||
|
|
||||||
|
mel_filter_bank_numpy = filters.mel(sr=sample_rate, n_fft=stft_n_fft, n_mels=num_bands)
|
||||||
|
|
||||||
|
mel_filter_bank = torch.from_numpy(mel_filter_bank_numpy)
|
||||||
|
|
||||||
|
mel_filter_bank[0][0] = 1.
|
||||||
|
|
||||||
|
mel_filter_bank[-1, -1] = 1.
|
||||||
|
|
||||||
|
freqs_per_band = mel_filter_bank > 0
|
||||||
|
assert freqs_per_band.any(dim=0).all(), 'all frequencies need to be covered by all bands for now'
|
||||||
|
|
||||||
|
repeated_freq_indices = repeat(torch.arange(freqs), 'f -> b f', b=num_bands)
|
||||||
|
freq_indices = repeated_freq_indices[freqs_per_band]
|
||||||
|
|
||||||
|
if stereo:
|
||||||
|
freq_indices = repeat(freq_indices, 'f -> f s', s=2)
|
||||||
|
freq_indices = freq_indices * 2 + torch.arange(2)
|
||||||
|
freq_indices = rearrange(freq_indices, 'f s -> (f s)')
|
||||||
|
|
||||||
|
self.register_buffer('freq_indices', freq_indices, persistent=False)
|
||||||
|
self.register_buffer('freqs_per_band', freqs_per_band, persistent=False)
|
||||||
|
|
||||||
|
num_freqs_per_band = reduce(freqs_per_band, 'b f -> b', 'sum')
|
||||||
|
num_bands_per_freq = reduce(freqs_per_band, 'b f -> f', 'sum')
|
||||||
|
|
||||||
|
self.register_buffer('num_freqs_per_band', num_freqs_per_band, persistent=False)
|
||||||
|
self.register_buffer('num_bands_per_freq', num_bands_per_freq, persistent=False)
|
||||||
|
|
||||||
|
freqs_per_bands_with_complex = tuple(2 * f * self.audio_channels for f in num_freqs_per_band.tolist())
|
||||||
|
|
||||||
|
self.band_split = BandSplit(
|
||||||
|
dim=dim,
|
||||||
|
dim_inputs=freqs_per_bands_with_complex
|
||||||
|
)
|
||||||
|
|
||||||
|
self.mask_estimators = nn.ModuleList([])
|
||||||
|
|
||||||
|
for _ in range(num_stems):
|
||||||
|
mask_estimator = MaskEstimator(
|
||||||
|
dim=dim,
|
||||||
|
dim_inputs=freqs_per_bands_with_complex,
|
||||||
|
depth=mask_estimator_depth
|
||||||
|
)
|
||||||
|
|
||||||
|
self.mask_estimators.append(mask_estimator)
|
||||||
|
|
||||||
|
self.multi_stft_resolution_loss_weight = multi_stft_resolution_loss_weight
|
||||||
|
self.multi_stft_resolutions_window_sizes = multi_stft_resolutions_window_sizes
|
||||||
|
self.multi_stft_n_fft = stft_n_fft
|
||||||
|
self.multi_stft_window_fn = multi_stft_window_fn
|
||||||
|
|
||||||
|
self.multi_stft_kwargs = dict(
|
||||||
|
hop_length=multi_stft_hop_size,
|
||||||
|
normalized=multi_stft_normalized
|
||||||
|
)
|
||||||
|
|
||||||
|
self.match_input_audio_length = match_input_audio_length
|
||||||
|
|
||||||
|
def forward(
|
||||||
|
self,
|
||||||
|
raw_audio,
|
||||||
|
target=None,
|
||||||
|
return_loss_breakdown=False
|
||||||
|
):
|
||||||
|
"""
|
||||||
|
einops
|
||||||
|
|
||||||
|
b - batch
|
||||||
|
f - freq
|
||||||
|
t - time
|
||||||
|
s - audio channel (1 for mono, 2 for stereo)
|
||||||
|
n - number of 'stems'
|
||||||
|
c - complex (2)
|
||||||
|
d - feature dimension
|
||||||
|
"""
|
||||||
|
|
||||||
|
original_device = raw_audio.device
|
||||||
|
x_is_mps = True if original_device.type == 'mps' else False
|
||||||
|
|
||||||
|
if x_is_mps:
|
||||||
|
raw_audio = raw_audio.cpu()
|
||||||
|
|
||||||
|
device = raw_audio.device
|
||||||
|
|
||||||
|
if raw_audio.ndim == 2:
|
||||||
|
raw_audio = rearrange(raw_audio, 'b t -> b 1 t')
|
||||||
|
|
||||||
|
batch, channels, raw_audio_length = raw_audio.shape
|
||||||
|
|
||||||
|
istft_length = raw_audio_length if self.match_input_audio_length else None
|
||||||
|
|
||||||
|
assert (not self.stereo and channels == 1) or (
|
||||||
|
self.stereo and channels == 2), 'stereo needs to be set to True if passing in audio signal that is stereo (channel dimension of 2). also need to be False if mono (channel dimension of 1)'
|
||||||
|
|
||||||
|
raw_audio, batch_audio_channel_packed_shape = pack_one(raw_audio, '* t')
|
||||||
|
|
||||||
|
stft_window = self.stft_window_fn(device=device)
|
||||||
|
|
||||||
|
stft_repr = torch.stft(raw_audio, **self.stft_kwargs, window=stft_window, return_complex=True)
|
||||||
|
stft_repr = torch.view_as_real(stft_repr)
|
||||||
|
|
||||||
|
stft_repr = unpack_one(stft_repr, batch_audio_channel_packed_shape, '* f t c')
|
||||||
|
stft_repr = rearrange(stft_repr,
|
||||||
|
'b s f t c -> b (f s) t c') # merge stereo / mono into the frequency, with frequency leading dimension, for band splitting
|
||||||
|
|
||||||
|
batch_arange = torch.arange(batch, device=device)[..., None]
|
||||||
|
|
||||||
|
x = stft_repr[batch_arange, self.freq_indices.cpu()] if x_is_mps else stft_repr[batch_arange, self.freq_indices]
|
||||||
|
|
||||||
|
x = rearrange(x, 'b f t c -> b t (f c)')
|
||||||
|
|
||||||
|
x = self.band_split(x)
|
||||||
|
|
||||||
|
for time_transformer, freq_transformer in self.layers:
|
||||||
|
x = rearrange(x, 'b t f d -> b f t d')
|
||||||
|
x, ps = pack([x], '* t d')
|
||||||
|
|
||||||
|
x = time_transformer(x)
|
||||||
|
|
||||||
|
x, = unpack(x, ps, '* t d')
|
||||||
|
x = rearrange(x, 'b f t d -> b t f d')
|
||||||
|
x, ps = pack([x], '* f d')
|
||||||
|
|
||||||
|
x = freq_transformer(x)
|
||||||
|
|
||||||
|
x, = unpack(x, ps, '* f d')
|
||||||
|
|
||||||
|
num_stems = len(self.mask_estimators)
|
||||||
|
|
||||||
|
masks = torch.stack([fn(x) for fn in self.mask_estimators], dim=1)
|
||||||
|
masks = rearrange(masks, 'b n t (f c) -> b n f t c', c=2)
|
||||||
|
if x_is_mps:
|
||||||
|
masks = masks.cpu()
|
||||||
|
|
||||||
|
stft_repr = rearrange(stft_repr, 'b f t c -> b 1 f t c')
|
||||||
|
|
||||||
|
stft_repr = torch.view_as_complex(stft_repr)
|
||||||
|
masks = torch.view_as_complex(masks)
|
||||||
|
|
||||||
|
masks = masks.type(stft_repr.dtype)
|
||||||
|
|
||||||
|
if x_is_mps:
|
||||||
|
scatter_indices = repeat(self.freq_indices.cpu(), 'f -> b n f t', b=batch, n=num_stems, t=stft_repr.shape[-1])
|
||||||
|
else:
|
||||||
|
scatter_indices = repeat(self.freq_indices, 'f -> b n f t', b=batch, n=num_stems, t=stft_repr.shape[-1])
|
||||||
|
stft_repr_expanded_stems = repeat(stft_repr, 'b 1 ... -> b n ...', n=num_stems)
|
||||||
|
masks_summed = torch.zeros_like(stft_repr_expanded_stems).scatter_add_(2, scatter_indices, masks)
|
||||||
|
|
||||||
|
denom = repeat(self.num_bands_per_freq, 'f -> (f r) 1', r=channels)
|
||||||
|
if x_is_mps:
|
||||||
|
denom = denom.cpu()
|
||||||
|
|
||||||
|
masks_averaged = masks_summed / denom.clamp(min=1e-8)
|
||||||
|
|
||||||
|
stft_repr = stft_repr * masks_averaged
|
||||||
|
|
||||||
|
stft_repr = rearrange(stft_repr, 'b n (f s) t -> (b n s) f t', s=self.audio_channels)
|
||||||
|
|
||||||
|
recon_audio = torch.istft(stft_repr, **self.stft_kwargs, window=stft_window, return_complex=False,
|
||||||
|
length=istft_length)
|
||||||
|
|
||||||
|
recon_audio = rearrange(recon_audio, '(b n s) t -> b n s t', b=batch, s=self.audio_channels, n=num_stems)
|
||||||
|
|
||||||
|
if num_stems == 1:
|
||||||
|
recon_audio = rearrange(recon_audio, 'b 1 s t -> b s t')
|
||||||
|
|
||||||
|
if not exists(target):
|
||||||
|
return recon_audio
|
||||||
|
|
||||||
|
if self.num_stems > 1:
|
||||||
|
assert target.ndim == 4 and target.shape[1] == self.num_stems
|
||||||
|
|
||||||
|
if target.ndim == 2:
|
||||||
|
target = rearrange(target, '... t -> ... 1 t')
|
||||||
|
|
||||||
|
target = target[..., :recon_audio.shape[-1]]
|
||||||
|
|
||||||
|
loss = F.l1_loss(recon_audio, target)
|
||||||
|
|
||||||
|
multi_stft_resolution_loss = 0.
|
||||||
|
|
||||||
|
for window_size in self.multi_stft_resolutions_window_sizes:
|
||||||
|
res_stft_kwargs = dict(
|
||||||
|
n_fft=max(window_size, self.multi_stft_n_fft),
|
||||||
|
win_length=window_size,
|
||||||
|
return_complex=True,
|
||||||
|
window=self.multi_stft_window_fn(window_size, device=device),
|
||||||
|
**self.multi_stft_kwargs,
|
||||||
|
)
|
||||||
|
|
||||||
|
recon_Y = torch.stft(rearrange(recon_audio, '... s t -> (... s) t'), **res_stft_kwargs)
|
||||||
|
target_Y = torch.stft(rearrange(target, '... s t -> (... s) t'), **res_stft_kwargs)
|
||||||
|
|
||||||
|
multi_stft_resolution_loss = multi_stft_resolution_loss + F.l1_loss(recon_Y, target_Y)
|
||||||
|
|
||||||
|
weighted_multi_resolution_loss = multi_stft_resolution_loss * self.multi_stft_resolution_loss_weight
|
||||||
|
|
||||||
|
total_loss = loss + weighted_multi_resolution_loss
|
||||||
|
|
||||||
|
|
||||||
|
# Move the total loss back to the original device if necessary
|
||||||
|
if x_is_mps:
|
||||||
|
total_loss = total_loss.to(original_device)
|
||||||
|
|
||||||
|
if not return_loss_breakdown:
|
||||||
|
return total_loss
|
||||||
|
|
||||||
|
# If detailed loss breakdown is requested, ensure all components are on the original device
|
||||||
|
return total_loss, (loss.to(original_device) if x_is_mps else loss,
|
||||||
|
multi_stft_resolution_loss.to(original_device) if x_is_mps else multi_stft_resolution_loss)
|
||||||
|
|
||||||
|
# if not return_loss_breakdown:
|
||||||
|
# return total_loss
|
||||||
|
|
||||||
|
# return total_loss, (loss, multi_stft_resolution_loss)
|
@ -541,7 +541,9 @@ def ensembling(a, inputs, is_wavs=False):
|
|||||||
if MIN_SPEC == a:
|
if MIN_SPEC == a:
|
||||||
input = np.where(np.abs(inputs[i]) <= np.abs(input), inputs[i], input)
|
input = np.where(np.abs(inputs[i]) <= np.abs(input), inputs[i], input)
|
||||||
if MAX_SPEC == a:
|
if MAX_SPEC == a:
|
||||||
|
#input = np.array(np.where(np.greater_equal(np.abs(inputs[i]), np.abs(input)), inputs[i], input), dtype=object)
|
||||||
input = np.where(np.abs(inputs[i]) >= np.abs(input), inputs[i], input)
|
input = np.where(np.abs(inputs[i]) >= np.abs(input), inputs[i], input)
|
||||||
|
#max_spec = np.array([np.where(np.greater_equal(np.abs(inputs[i]), np.abs(input)), s, specs[0]) for s in specs[1:]], dtype=object)[-1]
|
||||||
|
|
||||||
#linear_ensemble
|
#linear_ensemble
|
||||||
#input = ensemble_wav(inputs, split_size=1)
|
#input = ensemble_wav(inputs, split_size=1)
|
||||||
|
Loading…
Reference in New Issue
Block a user