diffusers/main/fr/api/models/ovisimage_transformer2d.md

OvisImageTransformer2DModel

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

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]]

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))

Source

Paramètres :

patch_size (int, par défaut 1) : Taille des patches pour découper les données d'entrée en petits patches.

in_channels (int, par défaut 64) : Le nombre de canaux dans l'entrée.

out_channels (int, facultatif, par défaut None) : Le nombre de canaux dans la sortie. S'il n'est pas spécifié, il est défini sur in_channels par défaut.

num_layers (int, par défaut 6) : Le nombre de blocs DiT à double flux à utiliser.

num_single_layers (int, par défaut 27) : Le nombre de blocs DiT à flux unique à utiliser.

attention_head_dim (int, par défaut 128) : Le nombre de dimensions à utiliser pour chaque tête d'attention.

num_attention_heads (int, par défaut 24) : Le nombre de têtes d'attention à utiliser.

joint_attention_dim (int, par défaut 2048) : Le nombre de dimensions à utiliser pour l'attention conjointe (dimension d'embedding/canal de encoder_hidden_states).

axes_dims_rope (tuple[int], par défaut (16, 56, 56)) : Les dimensions à utiliser pour les embeddings positionnels rotatifs.

Le modèle Transformer introduit dans Ovis-Image.

Référence : https://github.com/AIDC-AI/Ovis-Image

forward[[diffusers.OvisImageTransformer2DModel.forward]]

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)

Source

Paramètres :

hidden_states (torch.Tensor de forme (batch_size, image_sequence_length, in_channels)) : hidden_states d'entrée.

encoder_hidden_states (torch.Tensor de forme (batch_size, text_sequence_length, joint_attention_dim)) : 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.

img_ids : (torch.Tensor) : les identifiants de position pour les jetons d'image.

txt_ids (torch.Tensor) : Les identifiants de position pour les jetons de texte.

joint_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.

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 OvisImageTransformer2DModel.