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

CogView3PlusTransformer2DModel

Un modelo Diffusion Transformer para datos 2D de CogView3Plus fue introducido en CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion por Tsinghua University & ZhipuAI.

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

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)

Fuente

Parámetros:

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

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

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

attention_head_dim (int, por defecto 40) : El número de canales en cada cabeza.

num_attention_heads (int, por defecto 64) : El número de cabezas a utilizar para la atención multi-cabeza.

out_channels (int, por defecto 16) : El número de canales en la salida.

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

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

condition_dim (int, por defecto 256) : La dimensión de la incrustación de las condiciones de resolución estilo SDXL de entrada (original_size, target_size, crop_coords).

pos_embed_max_size (int, por defecto 128) : La resolución máxima de los embeddings posicionales, de la cual se toman rebanadas de forma H x W y se suman a los latentes de entrada parcheados, donde H y W son la altura y el ancho del latente, respectivamente. Un valor de 128 significa que la altura y el ancho máximos admitidos para la generación de imágenes son 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, por defecto 128) : La resolución base de los latentes de entrada. Si no se proporciona altura/ancho durante la generación, este valor se utiliza para determinar la resolución como sample_size * vae_scale_factor => 128 * 8 => 1024

El modelo Transformer introducido en 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)

Fuente

Parámetros:

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

encoder_hidden_states (torch.Tensor) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) de forma (batch_size, sequence_len, text_embed_dim)

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

original_size (torch.Tensor) : CogView3 utiliza micro-condicionamiento similar al de SDXL para el tamaño de imagen original, tal como se explica en la sección 2.2 de https://huggingface.co/papers/2307.01952.

target_size (torch.Tensor) : CogView3 utiliza micro-condicionamiento similar al de SDXL para el tamaño de la imagen objetivo, tal como se explica en la sección 2.2 de https://huggingface.co/papers/2307.01952.

crop_coords (torch.Tensor) : CogView3 utiliza micro-condicionamiento similar al de SDXL para las coordenadas de recorte, tal como se explica en la sección 2.2 de https://huggingface.co/papers/2307.01952.

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

Devuelve: torch.Tensor o ~models.transformer_2d.Transformer2DModelOutput

Los latentes desruidados utilizando las entradas proporcionadas como condicionamiento.

El método forward de CogView3PlusTransformer2DModel.

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.