diffusers/main/fr/api/models/cogview4_transformer2d.md

CogView4Transformer2DModel

Un modèle Diffusion Transformer pour des données 2D issu de CogView4

Le modèle peut être chargé à l'aide du fragment de code suivant.

from diffusers import CogView4Transformer2DModel

transformer = CogView4Transformer2DModel.from_pretrained("THUDM/CogView4-6B", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel(patch_size: int = 2, in_channels: int = 16, out_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128, rope_axes_dim: tuple[int, int] = (256, 256))

Source

Paramètres :

patch_size (int, par défaut 2) : La taille des patches à utiliser dans la couche d'encodage de patches.

in_channels (int, par défaut 16) : Le nombre de canaux dans l'entrée.

num_layers (int, par défaut 30) : Le nombre de blocs Transformer à utiliser.

attention_head_dim (int, par défaut 40) : Le nombre de canaux dans chaque tête.

num_attention_heads (int, par défaut 64) : Le nombre de têtes à utiliser pour l'attention multi-têtes.

out_channels (int, par défaut 16) : Le nombre de canaux dans la sortie.

text_embed_dim (int, par défaut 4096) : Dimension d'entrée des embeddings de texte issus de l'encodeur de texte.

time_embed_dim (int, par défaut 512) : Dimension de sortie des embeddings de pas de temps.

condition_dim (int, par défaut 256) : La dimension d'incorporation des conditions de résolution de style SDXL en entrée (original_size, target_size, crop_coords).

pos_embed_max_size (int, par défaut 128) : La résolution maximale des embeddings positionnels, à partir de laquelle des tranches de forme H x W sont extraites et ajoutées aux latents patchés en entrée, où H et W sont respectivement la hauteur et la largeur des latents. Une valeur de 128 signifie que la hauteur et la largeur maximales prises en charge pour la génération d’images sont 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, par défaut 128) : La résolution de base des latents d'entrée. Si la hauteur/largeur n'est pas fournie lors de la génération, cette valeur est utilisée pour déterminer la résolution comme sample_size * vae_scale_factor => 128 * 8 => 1024

forward[[diffusers.CogView4Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, attention_mask: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | list[tuple[torch.Tensor, torch.Tensor]] | None = None)

Source

Paramètres :

hidden_states (torch.Tensor de forme (batch_size, in_channels, height, width)) : hidden_states en entrée.

encoder_hidden_states (torch.Tensor de forme (batch_size, sequence_len, embed_dims)) : Embeddings conditionnels (embeddings calculés à partir des conditions d'entrée telles que les prompts) à utiliser.

timestep (torch.LongTensor) : Utilisé pour indiquer l'étape de débruitage.

original_size (torch.Tensor) : Conditionnement sur la taille d'image d'origine.

target_size (torch.Tensor) : Conditionnement de la taille de l'image cible.

crop_coords (torch.Tensor) : Coordonnées de recadrage conditionnelles.

attention_kwargs (dict, facultatif) : Un dictionnaire de kwargs qui, s'il est spécifié, est transmis à l'AttentionProcessor tel que défini sous self.processor dans diffusers.models.attention_processor.

return_dict (bool, facultatif, par défaut True) : Indique s'il faut retourner un ~models.transformer_2d.Transformer2DModelOutput plutôt qu'un simple tuple.

attention_mask (torch.Tensor, facultatif) : Masque appliqué aux scores d'attention.

image_rotary_emb (tuple de torch.Tensor, facultatif) : Incrustations positionnelles rotatives précalculées.

Retourne :

Si return_dict est True, un ~models.transformer_2d.Transformer2DModelOutput est renvoyé, sinon un tuple dont le premier élément est le tenseur d'échantillon.

La méthode forward du CogView4Transformer2DModel.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

Source

Paramètres :

sample (torch.Tensor de forme (batch_size, num_channels, height, width) ou (batch size, num_vector_embeds - 1, num_latent_pixels) si Transformer2DModel est discret) : Les états cachés en sortie, conditionnés par l'entrée encoder_hidden_states. Si discret, renvoie les distributions de probabilité pour les pixels latents non bruités.

La sortie de Transformer2DModel.