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

StableAudioDiTModel

نموذج Transformer لموجات الصوت من Stable Audio Open.

StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

diffusers.StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

diffusers.StableAudioDiTModel(sample_size: int = 1024, in_channels: int = 64, num_layers: int = 24, attention_head_dim: int = 64, num_attention_heads: int = 24, num_key_value_attention_heads: int = 12, out_channels: int = 64, cross_attention_dim: int = 768, time_proj_dim: int = 256, global_states_input_dim: int = 1536, cross_attention_input_dim: int = 768)

المصدر

المعاملات:

sample_size ( int، اختياري، القيمة الافتراضية 1024) : حجم العينة المدخلة.

in_channels (int، اختياري، القيمة الافتراضية 64) : عدد القنوات في المدخلات.

num_layers (int، اختياري، القيمة الافتراضية 24) : عدد طبقات كتل Transformer التي سيتم استخدامها.

attention_head_dim (int، اختياري، القيمة الافتراضية 64) : عدد القنوات في كل رأس.

num_attention_heads (int، اختياري، القيمة الافتراضية 24) : عدد الرؤوس المستخدمة لحالات الاستعلام.

num_key_value_attention_heads (int، اختياري، القيمة الافتراضية 12) : عدد الرؤوس المستخدمة لحالات المفتاح والقيمة.

out_channels (int، القيمة الافتراضية 64) : عدد قنوات الإخراج.

cross_attention_dim ( int، اختياري، القيمة الافتراضية 768) : بُعد الإسقاط في الانتباه المتقاطع.

time_proj_dim ( int، اختياري، القيمة الافتراضية 256) : بُعد الإسقاط الداخلي لخطوة الزمن.

global_states_input_dim ( int، اختياري، القيمة الافتراضية 1536) : بُعد الإدخال لإسقاط الحالات المخفية العالمية.

cross_attention_input_dim ( int، اختياري، القيمة الافتراضية 768) : بُعد الإدخال لإسقاط الانتباه المتقاطع

نموذج Diffusion Transformer الذي تم تقديمه في Stable Audio.

مرجع: https://github.com/Stability-AI/stable-audio-tools

forward[[diffusers.StableAudioDiTModel.forward]]

forward(hidden_states: FloatTensor, timestep: LongTensor = None, encoder_hidden_states: FloatTensor = None, global_hidden_states: FloatTensor = None, rotary_embedding: FloatTensor = None, return_dict: bool = True, attention_mask: typing.Optional[torch.LongTensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)

المصدر

المعاملات:

hidden_states (torch.FloatTensor من الشكل (batch size, in_channels, sequence_len)) : مدخلات hidden_states.

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

encoder_hidden_states (torch.FloatTensor من الشكل (batch size, encoder_sequence_len, cross_attention_input_dim)) : التضمينات الشرطية (التضمينات المحسوبة من شروط الإدخال مثل الأوامر النصية) للاستخدام.

global_hidden_states (torch.FloatTensor من الشكل (batch size, global_sequence_len, global_states_input_dim)) : تمثيلات عامة (Global embeddings) ستُضاف في بداية الحالات المخفية (hidden states).

rotary_embedding (torch.Tensor) : التضمينات الدورانية التي تُطبَّق على متجهات الاستعلام والمفتاح أثناء حساب الانتباه.

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

attention_mask (torch.Tensor من الشكل (batch_size, sequence_len)، اختياري) : قناع لتجنب تنفيذ الانتباه على فهارس رموز الحشو، يتم تشكيله عن طريق دمج أقنعة الانتباه الخاصة بمشفرَي النص معًا. قيم القناع المختارة في [0, 1]: - 1 للرموز التي ليست مقنّعة، - 0 للرموز التي مقنّعة.

encoder_attention_mask (torch.Tensor من الشكل (batch_size, sequence_len)، اختياري) : قناع لتجنب تنفيذ الانتباه على فهارس الانتباه المتقاطع لرموز الحشو، يتم تشكيله عن طريق دمج أقنعة الانتباه الخاصة بمشفرَي النص معًا. قيم القناع المختارة في [0, 1]: - 1 للرموز التي ليست مقنّعة، - 0 للرموز التي مقنّعة.

يعيد:

إذا كان return_dict صحيحًا، يُعاد ~models.transformer_2d.Transformer2DModelOutput، وإلا يُعاد tuple يكون عنصره الأول هو تينسور العينة.

طريقة StableAudioDiTModel الأمامية.

set_default_attn_processor[[diffusers.StableAudioDiTModel.set_default_attn_processor]]

set_default_attn_processor()

المصدر

يعطّل معالجات الانتباه المخصصة ويضبط تطبيق الانتباه الافتراضي.