diffusers/main/es/api/models/qwenimage_transformer2d.md

QwenImageTransformer2DModel

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

from diffusers import QwenImageTransformer2DModel

transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)

QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

diffusers.QwenImageTransformer2DModel(patch_size: int = 2, in_channels: int = 64, out_channels: int | None = 16, num_layers: int = 60, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 3584, guidance_embeds: bool = False, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), zero_cond_t: bool = False, use_additional_t_cond: bool = False, use_layer3d_rope: bool = False)

Fuente

Parámetros:

patch_size (int, por defecto 2) : 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 60) : El número de capas de bloques DiT de doble 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 3584) : El número de dimensiones a utilizar para la atención conjunta (dimensión de incrustación/canal de encoder_hidden_states).

guidance_embeds (bool, por defecto False) : Si se deben usar embeddings de guía para la variante destilada por guía del modelo.

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

El modelo Transformer introducido en Qwen.

forward[[diffusers.QwenImageTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, encoder_hidden_states_mask: Tensor = None, timestep: LongTensor = None, img_shapes: list[tuple[int, int, int]] | None = None, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, controlnet_block_samples = None, additional_t_cond = 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.

encoder_hidden_states_mask (torch.Tensor de forma (batch_size, text_sequence_length), opcional) : Máscara para los estados ocultos del codificador. Se espera que tenga 1.0 para los tokens válidos y 0.0 para los tokens de relleno. Se utiliza en el procesador de atención para evitar prestar atención a los tokens de relleno. La máscara puede tener cualquier patrón (no solo tokens válidos contiguos seguidos de relleno) ya que se aplica elemento a elemento en la atención.

timestep ( torch.LongTensor) : Se utiliza para indicar el paso de desruido.

img_shapes (list[tuple[int, int, int]], opcional) : Formas de imagen para el cálculo de RoPE.

guidance (torch.Tensor, opcional) : Tensor de guía para la generación condicional.

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.

controlnet_block_samples (opcional) : Muestras de bloques de ControlNet para añadir a los bloques del transformer.

additional_t_cond (torch.Tensor, opcional) : Condicionamiento de paso temporal adicional añadido al embebido del paso temporal.

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 QwenTransformer2DModel.

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.