Buckets:
| # JoyImageEditTransformer3DModel | |
| Le modèle peut être chargé à l'aide du fragment de code suivant. | |
| ```python | |
| from diffusers import JoyImageEditTransformer3DModel | |
| transformer = JoyImageEditTransformer3DModel.from_pretrained("jdopensource/JoyAI-Image-Edit-Diffusers", subfolder="transformer", dtype=torch.bfloat16) | |
| ``` | |
| ## JoyImageEditTransformer3DModel[[diffusers.JoyImageEditTransformer3DModel]] | |
| #### diffusers.JoyImageEditTransformer3DModel[[diffusers.JoyImageEditTransformer3DModel]] | |
| ```python | |
| diffusers.JoyImageEditTransformer3DModel(patch_size: list = [1, 2, 2], in_channels: int = 16, out_channels: int | None = None, hidden_size: int = 3072, num_attention_heads: int = 24, text_dim: int = 4096, mlp_width_ratio: float = 4.0, num_layers: int = 20, rope_dim_list: list[int] = [16, 56, 56], rope_type: str = 'rope', theta: int = 256) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_joyimage.py#L372) | |
| Modèle JoyImage Transformer pour la génération / l'édition d'images. | |
| Architecture DiT à double flux avec des embeddings de conditionnement de style WAN et des embeddings de position rotatifs personnalisés. | |
| #### forward[[diffusers.JoyImageEditTransformer3DModel.forward]] | |
| ```python | |
| forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor = None, return_dict: bool = True) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_joyimage.py#L522) | |
| **Paramètres :** | |
| hidden_states (`torch.Tensor` de forme `(batch_size, num_channels, num_frames, height, width)` ou `(batch_size, num_items, num_channels, num_frames, height, width)`) : `hidden_states` en entrée. | |
| timestep (`torch.LongTensor`) : Utilisé pour indiquer l'étape de débruitage. | |
| encoder_hidden_states (`torch.Tensor`, *facultatif*) : Embeddings conditionnels (embeddings calculés à partir des conditions d'entrée telles que les prompts) à utiliser. | |
| 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 [JoyImageEditTransformer3DModel](/docs/diffusers/main/fr/api/models/transformer_joyimage#diffusers.JoyImageEditTransformer3DModel). | |
| ## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]] | |
| #### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]] | |
| ```python | |
| diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor) | |
| ``` | |
| [Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21) | |
| **Paramètres :** | |
| sample (`torch.Tensor` de forme `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/fr/api/models/transformer2d#diffusers.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](/docs/diffusers/main/fr/api/models/transformer2d#diffusers.Transformer2DModel). | |
Xet Storage Details
- Size:
- 3.47 kB
- Xet hash:
- 2e85c42c315954d7a6695f554516c8b8659b90b1d62b8eed2b64872c7479a498
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.