diffusers/main/ar/api/models/cogview3plus_transformer2d.md

CogView3PlusTransformer2DModel

تم تقديم نموذج CogView3Plus من نوع Diffusion Transformer للبيانات ثنائية الأبعاد في CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion من قبل جامعة تسينغهوا و ZhipuAI.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)

المصدر

المعاملات:

patch_size (int، القيمة الافتراضية 2) : حجم البقع المستخدمة في طبقة تضمين البقع.

in_channels (int، القيمة الافتراضية 16) : عدد القنوات في المدخلات.

num_layers (int، القيمة الافتراضية 30) : عدد طبقات كتل Transformer المستخدمة.

attention_head_dim (int، القيمة الافتراضية 40) : عدد القنوات في كل رأس.

num_attention_heads (int، القيمة الافتراضية 64) : عدد الرؤوس المستخدمة في الانتباه متعدد الرؤوس.

out_channels (int، القيمة الافتراضية 16) : عدد القنوات في المخرجات.

text_embed_dim (int، القيمة الافتراضية 4096) : بُعد الإدخال لتضمينات النص من مُشفِّر النص.

time_embed_dim (int، القيمة الافتراضية 512) : بُعد المخرجات لتضمينات خطوات الزمن.

condition_dim (int، القيمة الافتراضية 256) : بُعد التضمين (embedding dimension) لظروف الدقة بنمط SDXL الخاصة بالمدخلات (original_size, target_size, crop_coords).

pos_embed_max_size (int، القيمة الافتراضية 128) : الحد الأقصى لدقة التضمينات الموضعية، حيث تُؤخذ منها شرائح من الشكل H x W وتُضاف إلى الكمونيات المُرقّعة المدخلة، حيث H وW هما ارتفاع وعرض الكمون على التوالي. تعني قيمة 128 أن أقصى ارتفاع وعرض مدعومين لتوليد الصور هو 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int، القيمة الافتراضية 128) : الدقة الأساسية للكائنات الكامنة المدخلة. إذا لم يتم تقديم الارتفاع/العرض أثناء التوليد، تُستخدم هذه القيمة لتحديد الدقة على النحو التالي sample_size * vae_scale_factor => 128 * 8 => 1024

The Transformer model introduced in CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion.

forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)

المصدر

المعاملات:

hidden_states (torch.Tensor) : مدخلات hidden_states ذات الشكل (batch size, channel, height, width).

encoder_hidden_states (torch.Tensor) : تمثيلات شرطية (تمثيلات محسوبة من الشروط المدخلة مثل الأوامر النصية) بأبعاد (batch_size, sequence_len, text_embed_dim)

timestep (torch.LongTensor) : يُستخدم للإشارة إلى خطوة إزالة الضوضاء.

original_size (torch.Tensor) : يستخدم CogView3 تكييفًا دقيقًا مشابهًا لـ SDXL لحجم الصورة الأصلي كما هو موضح في القسم 2.2 من https://huggingface.co/papers/2307.01952.

target_size (torch.Tensor) : يستخدم CogView3 تشفيرًا دقيقًا مشابهًا لـ SDXL لحجم الصورة المستهدفة كما هو موضح في القسم 2.2 من https://huggingface.co/papers/2307.01952.

crop_coords (torch.Tensor) : يستخدم CogView3 تشفيرًا دقيقًا مشابهًا لـ SDXL لإحداثيات الاقتصاص كما هو موضح في القسم 2.2 من https://huggingface.co/papers/2307.01952.

return_dict (bool، اختياري، القيمة الافتراضية True) : ما إذا كان يجب إرجاع ~models.transformer_2d.Transformer2DModelOutput بدلاً من tuple عادي.

يعيد: torch.Tensor أو ~models.transformer_2d.Transformer2DModelOutput

اللاتنتات بعد إزالة الضوضاء باستخدام المدخلات المقدمة كشرط.

طريقة CogView3PlusTransformer2DModel الأمامية.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

المصدر

المعاملات:

sample (torch.Tensor من الشكل (batch_size, num_channels, height, width) أو (batch size, num_vector_embeds - 1, num_latent_pixels) إذا كان Transformer2DModel منفصلاً): مخرجات الحالات المخفية المشروطة على مدخل encoder_hidden_states. إذا كان منفصلاً، يعيد توزيعات الاحتمال للبكسلات الكامنة غير الملوثة.

مخرجات Transformer2DModel.