Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /es /api /models /cogview3plus_transformer2d.md

mishig

8 days ago

preview code

download

raw

6.14 kB

# CogView3PlusTransformer2DModel

Un modelo Diffusion Transformer para datos 2D de [CogView3Plus](https://github.com/THUDM/CogView3) fue introducido en [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) por Tsinghua University & ZhipuAI.

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

```python
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]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

**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](https://huggingface.co/papers/2403.05121).

#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

**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](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](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](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](/docs/diffusers/main/es/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]
#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]
```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```
[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)
**Parámetros:**
sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.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](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel).

Xet Storage Details

Size:: 6.14 kB
Xet hash:: ca38f4279747a081b63dfca55b2a1cce10628e1d8487e6a207ace91788b9faa0

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# CogView3PlusTransformer2DModel

	Un modelo Diffusion Transformer para datos 2D de [CogView3Plus](https://github.com/THUDM/CogView3) fue introducido en [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) por Tsinghua University & ZhipuAI.

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

	```python
	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

	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](https://huggingface.co/papers/2403.05121).

	#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

	```python
	forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)
	```

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

	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](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](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](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](/docs/diffusers/main/es/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

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

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

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

	[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

	Parámetros:

	sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.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](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel).