diffusers/main/es/api/models/cogvideox_transformer3d.md

CogVideoXTransformer3DModel

Un modelo Diffusion Transformer para datos 3D de CogVideoX fue introducido en CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer por Tsinghua University & ZhipuAI.

El modelo se puede cargar con el siguiente fragmento de código.

from diffusers import CogVideoXTransformer3DModel

transformer = CogVideoXTransformer3DModel.from_pretrained("THUDM/CogVideoX-2b", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

CogVideoXTransformer3DModel[[diffusers.CogVideoXTransformer3DModel]]

diffusers.CogVideoXTransformer3DModel[[diffusers.CogVideoXTransformer3DModel]]

diffusers.CogVideoXTransformer3DModel(num_attention_heads: int = 30, attention_head_dim: int = 64, in_channels: int = 16, out_channels: int | None = 16, flip_sin_to_cos: bool = True, freq_shift: int = 0, time_embed_dim: int = 512, ofs_embed_dim: int | None = None, text_embed_dim: int = 4096, num_layers: int = 30, dropout: float = 0.0, attention_bias: bool = True, sample_width: int = 90, sample_height: int = 60, sample_frames: int = 49, patch_size: int = 2, patch_size_t: int | None = None, temporal_compression_ratio: int = 4, max_text_seq_length: int = 226, activation_fn: str = 'gelu-approximate', timestep_activation_fn: str = 'silu', norm_elementwise_affine: bool = True, norm_eps: float = 1e-05, spatial_interpolation_scale: float = 1.875, temporal_interpolation_scale: float = 1.0, use_rotary_positional_embeddings: bool = False, use_learned_positional_embeddings: bool = False, patch_bias: bool = True)

Fuente

Parámetros:

num_attention_heads (int, por defecto 30) : El número de cabezas a utilizar para la atención multi-cabeza.

attention_head_dim (int, por defecto 64) : El número de canales en cada cabeza.

in_channels (int, por defecto 16) : El número de canales en la entrada.

out_channels (int, opcional, valor predeterminado 16) : El número de canales en la salida.

flip_sin_to_cos (bool, por defecto True) : Si se debe cambiar el sin por el cos en la incrustación temporal.

time_embed_dim (int, por defecto 512) : Dimensión de salida de las incrustaciones de paso de tiempo.

ofs_embed_dim (int, por defecto 512) : Dimensión de salida de los embeddings "ofs" utilizados en CogVideoX-5b-I2B en la versión 1.5

text_embed_dim (int, por defecto 4096) : Dimensión de entrada de las incrustaciones de texto del codificador de texto.

num_layers (int, por defecto 30) : El número de bloques de Transformer a utilizar.

dropout (float, por defecto 0.0) : La probabilidad de dropout a utilizar.

attention_bias (bool, por defecto True) : Si se debe usar sesgo en las capas de proyección de atención.

sample_width (int, por defecto 90) : El ancho de los latentes de entrada.

sample_height (int, por defecto 60) : La altura de los latentes de entrada.

sample_frames (int, por defecto 49) : El número de fotogramas en los latentes de entrada. Tenga en cuenta que este parámetro se inicializó incorrectamente en 49 en lugar de 13, ya que CogVideoX procesaba 13 fotogramas latentes a la vez en su configuración predeterminada y recomendada, pero no puede cambiarse al valor correcto para garantizar la compatibilidad hacia atrás. Para crear un transformador con K fotogramas latentes, el valor correcto que debe pasarse aquí sería: ((K - 1) * temporal_compression_ratio + 1).

patch_size (int, por defecto 2) : El tamaño de los parches a utilizar en la capa de incrustación de parches.

temporal_compression_ratio (int, por defecto 4) : La relación de compresión a lo largo de la dimensión temporal. Consulte la documentación de sample_frames.

max_text_seq_length (int, por defecto 226) : La longitud máxima de la secuencia de las incrustaciones de texto de entrada.

activation_fn (str, por defecto "gelu-approximate") : Función de activación a utilizar en la red feed-forward.

timestep_activation_fn (str, por defecto "silu") : Función de activación a utilizar al generar las incrustaciones de paso temporal.

norm_elementwise_affine (bool, por defecto True) : Si se debe usar afinidad elementwise en las capas de normalización.

norm_eps (float, por defecto 1e-5) : El valor de epsilon a utilizar en las capas de normalización.

spatial_interpolation_scale (float, por defecto 1.875) : Factor de escala a aplicar en los embeddings posicionales 3D a lo largo de las dimensiones espaciales.

temporal_interpolation_scale (float, por defecto 1.0) : Factor de escala a aplicar en las incrustaciones posicionales 3D a lo largo de las dimensiones temporales.

Un modelo Transformer para datos tipo video en CogVideoX.

forward[[diffusers.CogVideoXTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: typing.Union[int, float, torch.LongTensor], timestep_cond: typing.Optional[torch.Tensor] = None, ofs: typing.Union[int, float, torch.LongTensor, NoneType] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | None = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Fuente

Parámetros:

hidden_states (torch.Tensor de forma (batch_size, num_frames, channels, height, width)) : hidden_states de entrada.

encoder_hidden_states (torch.Tensor 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.

timestep_cond (torch.Tensor, opcional) : Incrustaciones condicionales para el paso de tiempo. Si se proporcionan, las incrustaciones se sumarán con las muestras que pasan por la capa self.time_embedding para obtener las incrustaciones finales del paso de tiempo.

ofs (torch.Tensor, opcional) : Embeddings de desplazamiento utilizados en CogVideoX-5b-I2V.

image_rotary_emb (tuple de torch.Tensor, opcional) : Incrustaciones posicionales rotatorias precalculadas.

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 CogVideoXTransformer3DModel.

fuse_qkv_projections[[diffusers.CogVideoXTransformer3DModel.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.CogVideoXTransformer3DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

Fuente

Desactiva la proyección QKV fusionada si está habilitada.

> Esta API es 🧪 experimental.

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

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

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

Fuente

Parámetros:

sample (torch.Tensor de forma (batch_size, num_channels, height, width) o (batch size, num_vector_embeds - 1, num_latent_pixels) si Transformer2DModel es discreto): las salidas de estados ocultos condicionadas a la entrada encoder_hidden_states. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido.

La salida de Transformer2DModel.