diffusers/main/es/api/models/lumina_nextdit2d.md

LuminaNextDiT2DModel

Una versión siguiente del modelo Diffusion Transformer para datos 2D de Lumina-T2X.

LuminaNextDiT2DModel[[diffusers.LuminaNextDiT2DModel]]

diffusers.LuminaNextDiT2DModel[[diffusers.LuminaNextDiT2DModel]]

diffusers.LuminaNextDiT2DModel(sample_size: int = 128, patch_size: int | None = 2, in_channels: int | None = 4, hidden_size: int | None = 2304, num_layers: int | None = 32, num_attention_heads: int | None = 32, num_kv_heads: int | None = None, multiple_of: int | None = 256, ffn_dim_multiplier: float | None = None, norm_eps: float | None = 1e-05, learn_sigma: bool | None = True, qk_norm: bool | None = True, cross_attention_dim: int | None = 2048, scaling_factor: float | None = 1.0)

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, opcional, (int, opcional, valor predeterminado 2) : El tamaño de cada parche en la imagen. Este parámetro define la resolución de los parches que se introducen en el modelo.

in_channels (int, opcional, valor predeterminado 4) : El número de canales de entrada para el modelo. Por lo general, coincide con el número de canales en las imágenes de entrada.

hidden_size (int, opcional, valor predeterminado 4096) : La dimensionalidad de las capas ocultas en el modelo. Este parámetro determina el ancho de las representaciones ocultas del modelo.

num_layers (int, opcional, valor predeterminado 32) : El número de capas en el modelo. Esto define la profundidad de la red neuronal.

num_attention_heads (int, opcional, valor predeterminado 32) : El número de cabezas de atención en cada capa de atención. Este parámetro especifica cuántos mecanismos de atención independientes se utilizan.

num_kv_heads (int, opcional, valor predeterminado 8) : El número de cabezas de clave-valor en el mecanismo de atención, si es diferente del número de cabezas de atención. Si es None, el valor predeterminado es num_attention_heads.

multiple_of (int, opcional, valor predeterminado 256) : Un factor del que el tamaño oculto debe ser múltiplo. Esto puede ayudar a optimizar ciertas configuraciones de hardware.

ffn_dim_multiplier (float, opcional) : Un multiplicador para la dimensionalidad de la red feed-forward. Si es None, utiliza un valor predeterminado basado en la configuración del modelo.

norm_eps (float, opcional, valor predeterminado 1e-5) : Un valor pequeño que se suma al denominador para la estabilidad numérica en las capas de normalización.

learn_sigma (bool, opcional, valor predeterminado: True) : Si el modelo debe aprender el parámetro sigma, que podría estar relacionado con la incertidumbre o la varianza en las predicciones.

qk_norm (bool, opcional, predeterminado en True) : Indica si las consultas y claves en el mecanismo de atención deben normalizarse.

cross_attention_dim (int, opcional, valor predeterminado 2048) : La dimensionalidad de las incrustaciones de texto. Este parámetro define el tamaño de las representaciones de texto utilizadas en el modelo.

scaling_factor (float, opcional, valor predeterminado 1.0) : Un factor de escala aplicado a ciertos parámetros o capas del modelo. Esto se puede utilizar para ajustar la escala general de las operaciones del modelo.

LuminaNextDiT: modelo de difusión con un backbone de Transformer.

Hereda de ModelMixin y ConfigMixin para ser compatible con el sampler StableDiffusionPipeline de diffusers.

forward[[diffusers.LuminaNextDiT2DModel.forward]]

forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_mask: Tensor, image_rotary_emb: Tensor, cross_attention_kwargs: dict[str, typing.Any] = None, return_dict = True)

Fuente

Parámetros:

hidden_states (torch.Tensor) : Tensor de entrada de forma (N, C, H, W).

timestep (torch.Tensor) : Tensor de pasos de difusión de forma (N,).

encoder_hidden_states (torch.Tensor) : Tensor de características de la descripción con forma (N, D).

encoder_mask (torch.Tensor) : Tensor de máscaras de descripciones con forma (N, L).

image_rotary_emb (torch.Tensor) : Incrustaciones posicionales rotatorias precalculadas.

cross_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: ~models.transformer_2d.Transformer2DModelOutput o tuple

Si return_dict es True, se devuelve un ~models.transformer_2d.Transformer2DModelOutput; en caso contrario, se devuelve una tuple simple.

Paso hacia adelante de LuminaNextDiT.