Qwen-audio-chat模型代码学习之数据处理代码_qwen-audio 代码

1、首先需要定义一个音频文件路径和一个特殊的prompt字符串，然后，在创建查询时，将音频路径和prompt字符串进行结合起来，并使用tokenizer对齐进行处理，接下来，将处理后的输入转换为pytorch张量，并将其送入到模型当中。

a、加载预训练AutoTokenizer模型：

tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)

b、将内容处理称模型能接受的输入形式，将raw_text += f"\n{im_start}user\n{query}{im_end}\n{im_start}assistant\n"这种形式的信息转换成模型可以理解的张量形式。

   b_1:其中nl_token是经过tokenizer.encode将“\n”符变成对应的id,im_start_tokens代表的是开始token，im_end_tokens代表的是结束的token，通通过添加这些特殊标记，可以更好地控制模型生成文本的过程，并确保生成的结果符合预期。其中_tokenize_str()如下所示。

通过使用tokenizer.encode编码将内容以及role变成计算机可以理解的向量。主要流程实现如下图所示，先通过tokenizer.encode将system，user,assistant等内容转换成词库中的token，再将token通过convert_tokens_to_ids映射到对应的id。

在_tokenize_str()中的audio_info表示的是音频的梅尔普特征以及音频长度经过CNN转换之后的音频长度，以及加入了起始和结束标记加的音频长度。但是mel却没有经过cnn层，直接通过音频长度进行剪枝，这是我不能理解的地方，这样做减少了计算量，但可能带来的问题是音频帧的丢失，如果有大佬有答案可以在评论区下面讲解一下，真心求解，啊哈哈哈。还有一个问题是，再没进行一次process_audio的调用，就会导致音频的二次提取梅尔普特征的计算，在数据量较大的情况下可能会导致算力的浪费。

最后，数据的处理部分到此结束，最终输入到模型的process_audio获取到的音频相关的特征信息，以及通过context_tokens获取的与提示相关的内容信息。以上问题有解答的可以联系我哟，第一个解答成功的有奖品。