Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /es /api /models /ovisimage_transformer2d.md

mishig

3 days ago

preview code

download

raw

3.99 kB

# OvisImageTransformer2DModel

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

```python
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]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**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]]
```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476)
**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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

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](/docs/diffusers/main/es/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).

Xet Storage Details

Size:: 3.99 kB
Xet hash:: 85715b7889c4ca4019491f76408ebd93f7595b0cf0cbbaaf85e3898d649ed345

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

	# OvisImageTransformer2DModel

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

	```python
	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

	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](/docs/diffusers/main/es/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).