diffusers/main/es/api/models/pixart_transformer2d.md

PixArtTransformer2DModel

Un modelo Transformer para datos similares a imágenes de PixArt-Alpha y PixArt-Sigma.

PixArtTransformer2DModel[[diffusers.PixArtTransformer2DModel]]

diffusers.PixArtTransformer2DModel[[diffusers.PixArtTransformer2DModel]]

diffusers.PixArtTransformer2DModel(num_attention_heads: int = 16, attention_head_dim: int = 72, in_channels: int = 4, out_channels: int | None = 8, num_layers: int = 28, dropout: float = 0.0, norm_num_groups: int = 32, cross_attention_dim: int | None = 1152, attention_bias: bool = True, sample_size: int = 128, patch_size: int = 2, activation_fn: str = 'gelu-approximate', num_embeds_ada_norm: int | None = 1000, upcast_attention: bool = False, norm_type: str = 'ada_norm_single', norm_elementwise_affine: bool = False, norm_eps: float = 1e-06, interpolation_scale: int | None = None, use_additional_conditions: bool | None = None, caption_channels: int | None = None, attention_type: str | None = 'default')

Fuente

Parámetros:

num_attention_heads (int, opcional, predeterminado a 16) : El número de cabezas a utilizar para la atención multi-cabeza.

attention_head_dim (int, opcional, predeterminado a 72) : El número de canales en cada cabeza.

in_channels (int, por defecto 4) : El número de canales en la entrada.

out_channels (int, opcional) : El número de canales en la salida. Especifique este parámetro si el número de canales de salida difiere del de entrada.

num_layers (int, opcional, predeterminado a 28) : El número de capas de bloques Transformer a utilizar.

dropout (float, opcional, valor predeterminado 0.0) : La probabilidad de dropout a utilizar dentro de los bloques Transformer.

norm_num_groups (int, opcional, valor predeterminado 32) : Número de grupos para la normalización por grupo dentro de los bloques de Transformer.

cross_attention_dim (int, opcional) : La dimensionalidad para las capas de atención cruzada, que normalmente coincide con la dimensión oculta del codificador.

attention_bias (bool, opcional, predeterminado a True) : Configura si la atención de los bloques Transformer debe incluir un parámetro de sesgo.

sample_size (int, por defecto 128) : El ancho de las imágenes latentes. Este parámetro es fijo durante el entrenamiento.

patch_size (int, por defecto 2) : Tamaño de los parches que procesa el modelo, relevante para arquitecturas que trabajan con datos no secuenciales.

activation_fn (str, opcional, predeterminado a "gelu-approximate") : Función de activación a utilizar en las redes feed-forward dentro de los bloques Transformer.

num_embeds_ada_norm (int, opcional, predeterminado a 1000) : Número de embeddings para AdaLayerNorm, fijo durante el entrenamiento y afecta los pasos máximos de desruido durante la inferencia.

upcast_attention (bool, opcional, predeterminado a False) : Si es true, aumenta las dimensiones del mecanismo de atención para un posible mejor rendimiento.

norm_type (str, opcional, valor predeterminado "ada_norm_zero") : especifica el tipo de normalización utilizado, puede ser 'ada_norm_zero'.

norm_elementwise_affine (bool, opcional, predeterminado a False) : Si es true, habilita los parámetros afines elemento a elemento en las capas de normalización.

norm_eps (float, opcional, valor predeterminado 1e-6) : Una constante pequeña que se suma al denominador en las capas de normalización para evitar la división por cero.

interpolation_scale (int, opcional) : Factor de escala a utilizar durante la interpolación de los embeddings de posición.

use_additional_conditions (bool, opcional) : Si estamos usando condiciones adicionales como entradas.

attention_type (str, opcional, valor predeterminado "default") : Tipo de mecanismo de atención que se utilizará.

caption_channels (int, opcional, predeterminado a None) : Número de canales para usar en la proyección de los embeddings de la descripción.

use_linear_projection (bool, opcional, predeterminado a False) : Argumento obsoleto. Se eliminará en una versión futura.

num_vector_embeds (bool, opcional, predeterminado a False) : Argumento obsoleto. Se eliminará en una versión futura.

Un modelo Transformer 2D tal como se introdujo en la familia de modelos PixArt (https://huggingface.co/papers/2310.00426, https://huggingface.co/papers/2403.04692).

forward[[diffusers.PixArtTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: typing.Optional[torch.Tensor] = None, timestep: typing.Optional[torch.LongTensor] = None, added_cond_kwargs: dict[str, torch.Tensor] = None, cross_attention_kwargs: dict[str, typing.Any] = None, attention_mask: typing.Optional[torch.Tensor] = None, encoder_attention_mask: typing.Optional[torch.Tensor] = None, return_dict: bool = True)

Fuente

Parámetros:

hidden_states (torch.FloatTensor de forma (batch size, channel, height, width)) : hidden_states de entrada.

encoder_hidden_states (torch.FloatTensor de forma (batch size, sequence len, embed dims), opcional) : Incrustaciones condicionales para la capa de atención cruzada. Si no se proporcionan, la atención cruzada predeterminada es la autoatención.

timestep (torch.LongTensor, opcional) : Se utiliza para indicar el paso de desruido. Paso temporal opcional que se aplica como un embedding en AdaLayerNorm.

added_cond_kwargs : (dict[str, Any], opcional): Condiciones adicionales que se usarán como entradas.

cross_attention_kwargs ( dict[str, Any], opcional) : Un diccionario de kwargs que, si se especifica, se pasa al AttentionProcessor definido bajo self.processor en diffusers.models.attention_processor.

attention_mask ( torch.Tensor, opcional) : Se aplica una máscara de atención de forma (batch, key_tokens) a encoder_hidden_states. Si es 1, la máscara se conserva; en caso contrario, si es 0, se descarta. La máscara se convertirá en un sesgo, que añade valores negativos grandes a las puntuaciones de atención correspondientes a los tokens "descartados".

encoder_attention_mask ( torch.Tensor, opcional) : Máscara de atención cruzada aplicada a encoder_hidden_states. Se admiten dos formatos: * Máscara (batch, sequence_length) True = conservar, False = descartar. * Sesgo (batch, 1, sequence_length) 0 = conservar, -10000 = descartar. Si ndim == 2: se interpretará como una máscara y luego se convertirá en un sesgo coherente con el formato anterior. Este sesgo se sumará a las puntuaciones de atención cruzada.

return_dict (bool, opcional, valor predeterminado True) : Indica si se debe devolver un UNet2DConditionOutput 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 PixArtTransformer2DModel.

fuse_qkv_projections[[diffusers.PixArtTransformer2DModel.fuse_qkv_projections]]

fuse_qkv_projections()

Fuente

Habilita las proyecciones QKV fusionadas. Para los módulos de autoatención, todas las matrices de proyección (es decir, consulta, clave y valor) se fusionan. Para los módulos de atención cruzada, las matrices de proyección de clave y valor se fusionan.

> Esta API es 🧪 experimental.

set_default_attn_processor[[diffusers.PixArtTransformer2DModel.set_default_attn_processor]]

set_default_attn_processor()

Fuente

Desactiva los procesadores de atención personalizados y establece la implementación de atención predeterminada.

Es seguro usar simplemente AttnProcessor() ya que PixArt no tiene procesadores de atención exóticos en el modelo predeterminado.

unfuse_qkv_projections[[diffusers.PixArtTransformer2DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

Fuente

Desactiva la proyección QKV fusionada si está habilitada.

> Esta API es 🧪 experimental.