diffusers/main/es/api/models/z_image_transformer2d.md

ZImageTransformer2DModel

Un modelo Transformer para datos similares a imágenes de Z-Image.

ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

diffusers.ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

diffusers.ZImageTransformer2DModel(all_patch_size = (2,), all_f_patch_size = (1,), in_channels = 16, dim = 3840, n_layers = 30, n_refiner_layers = 2, n_heads = 30, n_kv_heads = 30, norm_eps = 1e-05, qk_norm = True, cap_feat_dim = 2560, siglip_feat_dim = None, rope_theta = 256.0, t_scale = 1000.0, axes_dims = [32, 48, 48], axes_lens = [1024, 512, 512])

Fuente

forward[[diffusers.ZImageTransformer2DModel.forward]]

forward(x: list[torch.Tensor, list[list[torch.Tensor]]], t, cap_feats: list[torch.Tensor, list[list[torch.Tensor]]], return_dict: bool = True, controlnet_block_samples: dict[int, torch.Tensor] | None = None, siglip_feats: list[list[torch.Tensor]] | None = None, image_noise_mask: list[list[int]] | None = None, patch_size: int = 2, f_patch_size: int = 1, joint_attention_kwargs: dict[str, typing.Any] | None = None)

Fuente

Parámetros:

x (list de torch.Tensor o list anidada de torch.Tensor) : Latentes de entrada. Una lista plana al ejecutar en modo estándar, o una lista anidada al ejecutar en modo omni.

t (torch.Tensor) : Se utiliza para indicar el paso de desruido.

cap_feats (list de torch.Tensor o list anidado de torch.Tensor) : Embeddings de subtítulos condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

return_dict (bool, opcional, valor predeterminado True) : Indica si se debe devolver un ~models.transformer_2d.Transformer2DModelOutput en lugar de una tupla simple.

controlnet_block_samples (dict de int a torch.Tensor, opcional) : Un mapeo de índice de bloque a tensor que, si se especifica, se suma a los residuos de los bloques de transformador.

siglip_feats (list de list de torch.Tensor, opcional) : Características de imagen SigLIP opcionales utilizadas como condicionamiento adicional.

image_noise_mask (list de list de int, opcional) : Máscaras de ruido por imagen que indican los tokens ruidosos frente a los limpios en el modo omni.

patch_size (int, opcional, valor predeterminado 2) : Tamaño de parche espacial utilizado para aplicar patchify a los latentes de entrada.

f_patch_size (int, opcional, valor predeterminado 1) : Tamaño de parche temporal utilizado para aplicar patchify a los latentes de entrada.

joint_attention_kwargs (dict, opcional) : Un diccionario de kwargs. Solo se utiliza la entrada scale, para escalar las capas LoRA.

Devuelve:

Si return_dict es True, se devuelve un ~models.transformer_2d.Transformer2DModelOutput, en caso contrario, una tuple donde el primer elemento es el tensor de la muestra.

El método forward de ZImageTransformer2DModel.

Flujo: patchify -> t_embed -> x_embed -> x_refine -> cap_embed -> cap_refine -> [siglip_embed -> siglip_refine] -> build_unified -> main_layers -> final_layer -> unpatchify

patchify_and_embed[[diffusers.ZImageTransformer2DModel.patchify_and_embed]]

patchify_and_embed(all_image: list[torch.Tensor], all_cap_feats: list[torch.Tensor], patch_size: int, f_patch_size: int)

Fuente

Patchify para el modo básico: una imagen por elemento del lote.

patchify_and_embed_omni[[diffusers.ZImageTransformer2DModel.patchify_and_embed_omni]]

patchify_and_embed_omni(all_x: list[list[torch.Tensor]], all_cap_feats: list[list[torch.Tensor]], all_siglip_feats: list[list[torch.Tensor]], patch_size: int, f_patch_size: int, images_noise_mask: list[list[int]])

Fuente

Patchify para el modo omni: múltiples imágenes por elemento del lote con máscaras de ruido.