paraformer模型结构怎么在modelscope-funasr找？

Paraformer模型结构在modelscope-funasr中是一个非常重要的部分，它由Encoder、Predictor、Sampler、Decoder 与 Loss function五部分组成。具体来说，Encoder可以采用不同的网络结构，例如self-attention，conformer，SAN-M等。Predictor 为两层前馈神经网络（FFN），用于预测目标文字个数以及抽取目标文字对应的声学向量。此外，Sampler 是一个无可学习参数的模块，根据输入的声学向量和目标向量，生成含有语义的特征向量。Decoder 的结构与自回归模型类似，采用了双向建模。至于Loss function部分，除了交叉熵（CE）与 MWER 区分性优化目标，还包括了 Predictor 优化目标 MAE。开源的Paraformer-large模型相对论文中的学术Paraformer模型采用了更深更大的模型结构。 Paraformer-large模型的Encoder有50层，包括memory equipped self-attention（SAN-M）和feed-forward networks (FFN)。 Decoder有16层，包括SAN-M，FFN和multi-head attention（MHA）。大数据 相对于公开论文中在单独封闭数据集（AISHELL-1、AISHELL-2等）上进行的效果验证，我们使用了更大数据量的工业数据上对模型进行训练，利用数万小时16K通用数据，包括半远场、输入法、音视频、直播、会议等领域。

Paraformer模型结构由Encoder、Predictor、Sampler、Decoder与Loss function五部分组成。具体来说，Encoder可以采用不同的网络结构，例如self-attention，conformer，SAN-M等。Paraformer-large模型的Encoder有50层，包括memory equipped self-attention（SAN-M）和feed-forward networks (FFN)。 Decoder有16层，包括SAN-M，FFN和multi-head attention（MHA）。 Sampler为无可学习参数模块，依据输入的声学向量和目标向量，生产含有语义的特征向量。 Decoder 结构与自回归模型类似，为双向建模（自回归为单向建模）。 Loss function 部分，除了交叉熵（CE）与 MWER 区分性优化目标，还包括了 Predictor 优化目标 MAE。