diffusers/main/es/api/models/mochi_transformer3d.md

MochiTransformer3DModel

Un modelo Diffusion Transformer para datos de video 3D fue introducido en Mochi-1 Preview por Genmo.

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

from diffusers import MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 256)

Fuente

Parámetros:

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

num_attention_heads (int, por defecto 24) : El número de cabezas a utilizar para la atención multi-cabeza.

attention_head_dim (int, por defecto 128) : El número de canales en cada cabeza.

num_layers (int, por defecto 48) : El número de bloques de Transformer a utilizar.

in_channels (int, por defecto 12) : El número de canales en la entrada.

out_channels (int, opcional, valor predeterminado None) : El número de canales en la salida.

qk_norm (str, por defecto "rms_norm") : La capa de normalización a utilizar.

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 256) : Dimensión de salida de las incrustaciones de paso de tiempo.

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

max_sequence_length (int, por defecto 256) : La longitud máxima de secuencia de embeddings de texto admitida.

Un modelo Transformer para datos tipo video introducido en Mochi.

forward[[diffusers.MochiTransformer3DModel.forward]]

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

Fuente

Parámetros:

hidden_states (torch.Tensor de forma (batch_size, num_channels, num_frames, 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.

encoder_attention_mask (torch.Tensor) : Máscara aplicada a encoder_hidden_states durante la atención.

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: torch.Tensor

El tensor de salida desruidoado de forma (batch_size, out_channels, num_frames, height, width).

El método forward del MochiTransformer3DModel.

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.