Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /id /api /models /cogview3plus_transformer2d.md

mishig

8 days ago

preview code

download

raw

5.85 kB

# CogView3PlusTransformer2DModel

Model Diffusion Transformer untuk data 2D dari [CogView3Plus](https://github.com/THUDM/CogView3) diperkenalkan dalam [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) oleh Tsinghua University & ZhipuAI.

Model dapat dimuat dengan potongan kode berikut.

```python
from diffusers import CogView3PlusTransformer2DModel
transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

#### diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

```python
diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

**Parameter:**

patch_size (`int`, defaultnya `2`) : Ukuran patch yang akan digunakan di lapisan patch embedding.
in_channels (`int`, defaultnya `16`) : Jumlah channel pada input.

num_layers (`int`, defaultnya `30`) : Jumlah lapisan blok Transformer yang akan digunakan.
attention_head_dim (`int`, defaultnya `40`) : Jumlah channel di setiap head.
num_attention_heads (`int`, defaultnya `64`) : Jumlah kepala yang digunakan untuk multi-head attention.
out_channels (`int`, defaultnya `16`) : Jumlah channel pada output.

text_embed_dim (`int`, defaultnya `4096`) : Dimensi input dari embedding teks yang berasal dari text encoder.

time_embed_dim (`int`, defaultnya `512`) : Dimensi output dari embedding timestep.

condition_dim (`int`, defaultnya `256`) : Dimensi embedding dari kondisi resolusi gaya SDXL untuk input (original_size, target_size, crop_coords).

pos_embed_max_size (`int`, defaultnya `128`) : Resolusi maksimum dari positional embeddings, yang diambil potongannya dengan bentuk `H x W` dan ditambahkan ke input patched latents, di mana `H` dan `W` masing-masing adalah tinggi dan lebar latents. Nilai 128 berarti tinggi dan lebar maksimum yang didukung untuk generasi gambar adalah `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048`.

sample_size (`int`, defaultnya `128`) : Resolusi dasar dari latens input. Jika tinggi/lebar tidak diberikan saat generasi, nilai ini digunakan untuk menentukan resolusi sebagai `sample_size * vae_scale_factor => 128 * 8 => 1024`

Model Transformer yang diperkenalkan dalam [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121).

#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

**Parameter:**

hidden_states (`torch.Tensor`) : Input `hidden_states` dengan bentuk `(batch size, channel, height, width)`.

encoder_hidden_states (`torch.Tensor`) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) dengan bentuk `(batch_size, sequence_len, text_embed_dim)`

timestep (`torch.LongTensor`) : Digunakan untuk menunjukkan langkah denoising.

original_size (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar asli seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).
target_size (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar target seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

crop_coords (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk koordinat crop seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).
return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

**Mengembalikan:** `torch.Tensor` atau `~models.transformer_2d.Transformer2DModelOutput`

Latens yang telah didenoise menggunakan input yang disediakan sebagai kondisioning.

Metode forward dari [CogView3PlusTransformer2DModel](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

## 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)
```
[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)
**Parameter:**
sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.
Output dari [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel).

Xet Storage Details

Size:: 5.85 kB
Xet hash:: 32bcfd82d637817d90282eb49bfcbe229a3a34bdf620f3854774c012a8adc07b

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# CogView3PlusTransformer2DModel

	Model Diffusion Transformer untuk data 2D dari [CogView3Plus](https://github.com/THUDM/CogView3) diperkenalkan dalam [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) oleh Tsinghua University & ZhipuAI.

	Model dapat dimuat dengan potongan kode berikut.

	```python
	from diffusers import CogView3PlusTransformer2DModel

	transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda") # or "mps", "xpu", "cpu"
	```

	## CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

	#### diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

	```python
	diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)
	```

	[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

	Parameter:

	patch_size (`int`, defaultnya `2`) : Ukuran patch yang akan digunakan di lapisan patch embedding.

	in_channels (`int`, defaultnya `16`) : Jumlah channel pada input.

	num_layers (`int`, defaultnya `30`) : Jumlah lapisan blok Transformer yang akan digunakan.

	attention_head_dim (`int`, defaultnya `40`) : Jumlah channel di setiap head.

	num_attention_heads (`int`, defaultnya `64`) : Jumlah kepala yang digunakan untuk multi-head attention.

	out_channels (`int`, defaultnya `16`) : Jumlah channel pada output.

	text_embed_dim (`int`, defaultnya `4096`) : Dimensi input dari embedding teks yang berasal dari text encoder.

	time_embed_dim (`int`, defaultnya `512`) : Dimensi output dari embedding timestep.

	condition_dim (`int`, defaultnya `256`) : Dimensi embedding dari kondisi resolusi gaya SDXL untuk input (original_size, target_size, crop_coords).

	pos_embed_max_size (`int`, defaultnya `128`) : Resolusi maksimum dari positional embeddings, yang diambil potongannya dengan bentuk `H x W` dan ditambahkan ke input patched latents, di mana `H` dan `W` masing-masing adalah tinggi dan lebar latents. Nilai 128 berarti tinggi dan lebar maksimum yang didukung untuk generasi gambar adalah `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048`.

	sample_size (`int`, defaultnya `128`) : Resolusi dasar dari latens input. Jika tinggi/lebar tidak diberikan saat generasi, nilai ini digunakan untuk menentukan resolusi sebagai `sample_size * vae_scale_factor => 128 * 8 => 1024`

	Model Transformer yang diperkenalkan dalam [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121).

	#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

	```python
	forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)
	```

	[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

	Parameter:

	hidden_states (`torch.Tensor`) : Input `hidden_states` dengan bentuk `(batch size, channel, height, width)`.

	encoder_hidden_states (`torch.Tensor`) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) dengan bentuk `(batch_size, sequence_len, text_embed_dim)`

	timestep (`torch.LongTensor`) : Digunakan untuk menunjukkan langkah denoising.

	original_size (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar asli seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

	target_size (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar target seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

	crop_coords (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk koordinat crop seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

	return_dict (`bool`, opsional, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

	Mengembalikan: `torch.Tensor` atau `~models.transformer_2d.Transformer2DModelOutput`

	Latens yang telah didenoise menggunakan input yang disediakan sebagai kondisioning.

	Metode forward dari [CogView3PlusTransformer2DModel](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

	## 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)
	```

	[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

	Parameter:

	sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

	Output dari [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel).