diffusers/main/es/api/models/ovisimage_transformer2d.md

OvisImageTransformer2DModel

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

from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)

OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple[int, int, int] = (16, 56, 56))

Fuente

Parámetros:

patch_size (int, por defecto 1) : Tamaño del parche para convertir los datos de entrada en pequeños parches.

in_channels (int, por defecto 64) : El número de canales en la entrada.

out_channels (int, opcional, valor predeterminado None) : El número de canales en la salida. Si no se especifica, el valor predeterminado es in_channels.

num_layers (int, por defecto 6) : El número de capas de bloques DiT de doble flujo a utilizar.

num_single_layers (int, por defecto 27) : El número de capas de bloques DiT de un solo flujo a utilizar.

attention_head_dim (int, por defecto 128) : El número de dimensiones a utilizar para cada cabeza de atención.

num_attention_heads (int, por defecto 24) : El número de cabezas de atención a utilizar.

joint_attention_dim (int, por defecto 2048) : El número de dimensiones a utilizar para la atención conjunta (dimensión de incrustación/canal de encoder_hidden_states).

axes_dims_rope (tuple[int], por defecto (16, 56, 56)) : Las dimensiones a utilizar para los embeddings posicionales rotatorios.

El modelo Transformer introducido en Ovis-Image.

Referencia: https://github.com/AIDC-AI/Ovis-Image

forward[[diffusers.OvisImageTransformer2DModel.forward]]

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

Fuente

Parámetros:

hidden_states (torch.Tensor de forma (batch_size, image_sequence_length, in_channels)) : hidden_states de entrada.

encoder_hidden_states (torch.Tensor de forma (batch_size, text_sequence_length, joint_attention_dim)) : 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.

img_ids : (torch.Tensor): Los ids de posición para los tokens de imagen.

txt_ids (torch.Tensor) : Los ids de posición para los tokens de texto.

joint_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 OvisImageTransformer2DModel.