Remove: remove currently unused code in style_bert_vits2/models/commons.py
This commit is contained in:
tsukumi
@@ -3,7 +3,6 @@
|
||||
コードと完全に一致している保証はない。あくまで参考程度とすること。
|
||||
"""
|
||||
|
||||
import math
|
||||
import torch
|
||||
from torch.nn import functional as F
|
||||
from typing import Any
|
||||
@@ -68,54 +67,6 @@ def intersperse(lst: list[Any], item: Any) -> list[Any]:
|
||||
return result
|
||||
|
||||
|
||||
def kl_divergence(m_p: torch.Tensor, logs_p: torch.Tensor, m_q: torch.Tensor, logs_q: torch.Tensor) -> torch.Tensor:
|
||||
"""
|
||||
2つの正規分布間の KL ダイバージェンスを計算する
|
||||
|
||||
Args:
|
||||
m_p (torch.Tensor): P の平均
|
||||
logs_p (torch.Tensor): P の対数標準偏差
|
||||
m_q (torch.Tensor): Q の平均
|
||||
logs_q (torch.Tensor): Q の対数標準偏差
|
||||
|
||||
Returns:
|
||||
torch.Tensor: KL ダイバージェンスの値。
|
||||
"""
|
||||
kl = (logs_q - logs_p) - 0.5
|
||||
kl += (
|
||||
0.5 * (torch.exp(2.0 * logs_p) + ((m_p - m_q) ** 2)) * torch.exp(-2.0 * logs_q)
|
||||
)
|
||||
return kl
|
||||
|
||||
|
||||
def rand_gumbel(shape: torch.Size) -> torch.Tensor:
|
||||
"""
|
||||
Gumbel 分布からサンプリングし、オーバーフローを防ぐ
|
||||
|
||||
Args:
|
||||
shape (torch.Size): サンプルの形状
|
||||
|
||||
Returns:
|
||||
torch.Tensor: Gumbel 分布からのサンプル
|
||||
"""
|
||||
uniform_samples = torch.rand(shape) * 0.99998 + 0.00001
|
||||
return -torch.log(-torch.log(uniform_samples))
|
||||
|
||||
|
||||
def rand_gumbel_like(x: torch.Tensor) -> torch.Tensor:
|
||||
"""
|
||||
引数と同じ形状のテンソルで、Gumbel 分布からサンプリングする
|
||||
|
||||
Args:
|
||||
x (torch.Tensor): 形状を基にするテンソル
|
||||
|
||||
Returns:
|
||||
torch.Tensor: Gumbel 分布からのサンプル
|
||||
"""
|
||||
g = rand_gumbel(x.size()).to(dtype=x.dtype, device=x.device)
|
||||
return g
|
||||
|
||||
|
||||
def slice_segments(x: torch.Tensor, ids_str: torch.Tensor, segment_size: int = 4) -> torch.Tensor:
|
||||
"""
|
||||
テンソルからセグメントをスライスする
|
||||
@@ -155,69 +106,6 @@ def rand_slice_segments(x: torch.Tensor, x_lengths: torch.Tensor | None = None,
|
||||
return ret, ids_str
|
||||
|
||||
|
||||
def get_timing_signal_1d(length: int, channels: int, min_timescale: float = 1.0, max_timescale: float = 1.0e4) -> torch.Tensor:
|
||||
"""
|
||||
1D タイミング信号を取得する
|
||||
|
||||
Args:
|
||||
length (int): シグナルの長さ
|
||||
channels (int): シグナルのチャネル数
|
||||
min_timescale (float, optional): 最小のタイムスケール (デフォルト: 1.0)
|
||||
max_timescale (float, optional): 最大のタイムスケール (デフォルト: 1.0e4)
|
||||
|
||||
Returns:
|
||||
torch.Tensor: タイミング信号
|
||||
"""
|
||||
position = torch.arange(length, dtype=torch.float)
|
||||
num_timescales = channels // 2
|
||||
log_timescale_increment = math.log(float(max_timescale) / float(min_timescale)) / (
|
||||
num_timescales - 1
|
||||
)
|
||||
inv_timescales = min_timescale * torch.exp(
|
||||
torch.arange(num_timescales, dtype=torch.float) * -log_timescale_increment
|
||||
)
|
||||
scaled_time = position.unsqueeze(0) * inv_timescales.unsqueeze(1)
|
||||
signal = torch.cat([torch.sin(scaled_time), torch.cos(scaled_time)], 0)
|
||||
signal = F.pad(signal, [0, 0, 0, channels % 2])
|
||||
signal = signal.view(1, channels, length)
|
||||
return signal
|
||||
|
||||
|
||||
def add_timing_signal_1d(x: torch.Tensor, min_timescale: float = 1.0, max_timescale: float = 1.0e4) -> torch.Tensor:
|
||||
"""
|
||||
1D タイミング信号をテンソルに追加する
|
||||
|
||||
Args:
|
||||
x (torch.Tensor): 入力テンソル
|
||||
min_timescale (float, optional): 最小のタイムスケール (デフォルト: 1.0)
|
||||
max_timescale (float, optional): 最大のタイムスケール (デフォルト: 1.0e4)
|
||||
|
||||
Returns:
|
||||
torch.Tensor: タイミング信号が追加されたテンソル
|
||||
"""
|
||||
b, channels, length = x.size()
|
||||
signal = get_timing_signal_1d(length, channels, min_timescale, max_timescale)
|
||||
return x + signal.to(dtype=x.dtype, device=x.device)
|
||||
|
||||
|
||||
def cat_timing_signal_1d(x: torch.Tensor, min_timescale: float = 1.0, max_timescale: float = 1.0e4, axis: int = 1) -> torch.Tensor:
|
||||
"""
|
||||
1D タイミング信号をテンソルに連結する
|
||||
|
||||
Args:
|
||||
x (torch.Tensor): 入力テンソル
|
||||
min_timescale (float, optional): 最小のタイムスケール (デフォルト: 1.0)
|
||||
max_timescale (float, optional): 最大のタイムスケール (デフォルト: 1.0e4)
|
||||
axis (int, optional): 連結する軸 (デフォルト: 1)
|
||||
|
||||
Returns:
|
||||
torch.Tensor: タイミング信号が連結されたテンソル
|
||||
"""
|
||||
b, channels, length = x.size()
|
||||
signal = get_timing_signal_1d(length, channels, min_timescale, max_timescale)
|
||||
return torch.cat([x, signal.to(dtype=x.dtype, device=x.device)], axis)
|
||||
|
||||
|
||||
def subsequent_mask(length: int) -> torch.Tensor:
|
||||
"""
|
||||
後続のマスクを生成する
|
||||
@@ -253,20 +141,6 @@ def fused_add_tanh_sigmoid_multiply(input_a: torch.Tensor, input_b: torch.Tensor
|
||||
return acts
|
||||
|
||||
|
||||
def shift_1d(x: torch.Tensor) -> torch.Tensor:
|
||||
"""
|
||||
与えられたテンソルを 1D でシフトする
|
||||
|
||||
Args:
|
||||
x (torch.Tensor): シフトするテンソル
|
||||
|
||||
Returns:
|
||||
torch.Tensor: シフトされたテンソル
|
||||
"""
|
||||
x = F.pad(x, convert_pad_shape([[0, 0], [0, 0], [1, 0]]))[:, :, :-1]
|
||||
return x
|
||||
|
||||
|
||||
def sequence_mask(length: torch.Tensor, max_length: int | None = None) -> torch.Tensor:
|
||||
"""
|
||||
シーケンスマスクを生成する
|
||||
|
||||
Reference in New Issue
Block a user