diffusers/main/ar/api/models/mochi_transformer3d.md

MochiTransformer3DModel

تم تقديم نموذج Mochi-1 Preview من نوع Diffusion Transformer للبيانات المشابهة للفيديو ثلاثي الأبعاد بواسطة Genmo.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

from diffusers import MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 256)

المصدر

المعاملات:

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

num_attention_heads (int، القيمة الافتراضية 24) : عدد الرؤوس المستخدمة في الانتباه متعدد الرؤوس.

attention_head_dim (int، القيمة الافتراضية 128) : عدد القنوات في كل رأس.

num_layers (int، القيمة الافتراضية 48) : عدد طبقات كتل Transformer المستخدمة.

in_channels (int، القيمة الافتراضية 12) : عدد القنوات في المدخلات.

out_channels (int، اختياري، القيمة الافتراضية None) : عدد القنوات في المخرجات.

qk_norm (str، الافتراضي "rms_norm") : طبقة التطبيع المستخدمة.

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

time_embed_dim (int، القيمة الافتراضية 256) : بُعد المخرجات لتضمينات خطوة الزمن.

activation_fn (str، الافتراضي "swiglu") : دالة التنشيط المستخدمة في الشبكة الأمامية.

max_sequence_length (int، القيمة الافتراضية 256) : الحد الأقصى لطول التسلسل المدعوم لتضمينات النص.

نموذج Transformer لبيانات تشبه الفيديو تم تقديمه في Mochi.

forward[[diffusers.MochiTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

المصدر

المعاملات:

hidden_states (torch.Tensor من الشكل (batch_size, num_channels, num_frames, height, width)) : مدخلات hidden_states.

encoder_hidden_states (torch.Tensor من الشكل (batch_size, sequence_len, embed_dims)) : التضمينات الشرطية (التضمينات المحسوبة من الشروط المدخلة مثل الأوامر) للاستخدام.

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

encoder_attention_mask (torch.Tensor) : القناع المطبَّق على encoder_hidden_states أثناء الانتباه.

attention_kwargs (dict، اختياري) : قاموس kwargs يُمرَّر إلى AttentionProcessor إذا تم تحديده، كما هو معرَّف تحت self.processor في diffusers.models.attention_processor.

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

يعيد: torch.Tensor

مصفوفة المخرجات بعد إزالة الضوضاء ذات الشكل (batch_size, out_channels, num_frames, height, width).

طريقة MochiTransformer3DModel 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.