diffusers/main/es/api/models/aura_flow_transformer2d.md

AuraFlowTransformer2DModel

Un modelo Transformer para datos similares a imágenes de AuraFlow.

AuraFlowTransformer2DModel[[diffusers.AuraFlowTransformer2DModel]]

diffusers.AuraFlowTransformer2DModel[[diffusers.AuraFlowTransformer2DModel]]

diffusers.AuraFlowTransformer2DModel(sample_size: int = 64, patch_size: int = 2, in_channels: int = 4, num_mmdit_layers: int = 4, num_single_dit_layers: int = 32, attention_head_dim: int = 256, num_attention_heads: int = 12, joint_attention_dim: int = 2048, caption_projection_dim: int = 3072, out_channels: int = 4, pos_embed_max_size: int = 1024)

Fuente

Parámetros:

sample_size (int) : El ancho de las imágenes latentes. Esto se fija durante el entrenamiento, ya que se utiliza para aprender un número de embeddings de posición.

patch_size (int) : Tamaño del parche para convertir los datos de entrada en pequeños parches.

in_channels (int, opcional, valor predeterminado 4) : El número de canales en la entrada.

num_mmdit_layers (int, opcional, valor predeterminado 4) : El número de capas de bloques Transformer MMDiT a utilizar.

num_single_dit_layers (int, opcional, valor predeterminado 32) : El número de bloques de Transformer a utilizar. Estos bloques usan representaciones concatenadas de imagen y texto.

attention_head_dim (int, opcional, valor predeterminado 256) : El número de canales en cada cabeza.

num_attention_heads (int, opcional, valor predeterminado 12) : El número de cabezas a utilizar para la atención multi-cabeza.

joint_attention_dim (int, opcional) : El número de dimensiones de encoder_hidden_states a utilizar.

caption_projection_dim (int) : Número de dimensiones a utilizar al proyectar encoder_hidden_states.

out_channels (int, por defecto 4) : Número de canales de salida.

pos_embed_max_size (int, por defecto 1024) : Posiciones máximas a incrustar desde los latentes de la imagen.

Un modelo Transformer 2D tal como se introdujo en AuraFlow (https://blog.fal.ai/auraflow/).

forward[[diffusers.AuraFlowTransformer2DModel.forward]]

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

Fuente

Parámetros:

hidden_states (torch.FloatTensor de forma (batch size, channel, height, width)) : hidden_states de entrada.

encoder_hidden_states (torch.FloatTensor de forma (batch size, sequence_len, embed_dims)) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

timestep (torch.LongTensor) : Se utiliza para indicar el paso de desruido.

attention_kwargs (dict, opcional) : Un diccionario de kwargs que, si se especifica, se pasa al AttentionProcessor tal como se define bajo self.processor en diffusers.models.attention_processor.

return_dict (bool, opcional, valor predeterminado True) : Indica si se debe devolver un ~models.transformer_2d.Transformer2DModelOutput en lugar de una tupla simple.

Devuelve:

Si return_dict es True, se devuelve un ~models.transformer_2d.Transformer2DModelOutput; en caso contrario, se devuelve una tuple cuyo primer elemento es el tensor de la muestra.

El método forward de AuraFlowTransformer2DModel.

fuse_qkv_projections[[diffusers.AuraFlowTransformer2DModel.fuse_qkv_projections]]

fuse_qkv_projections()

Fuente

Habilita las proyecciones QKV fusionadas. Para los módulos de autoatención, todas las matrices de proyección (es decir, consulta, clave y valor) se fusionan. Para los módulos de atención cruzada, las matrices de proyección de clave y valor se fusionan.

> Esta API es 🧪 experimental.

unfuse_qkv_projections[[diffusers.AuraFlowTransformer2DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

Fuente

Desactiva la proyección QKV fusionada si está habilitada.

> Esta API es 🧪 experimental.