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

CogView4Transformer2DModel

Model Diffusion Transformer untuk data 2D dari CogView4

Model dapat dimuat dengan potongan kode berikut.

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))

Sumber

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

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)

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, in_channels, height, width)) : Input hidden_states.

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

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

original_size (torch.Tensor) : Kondisioning ukuran gambar asli.

target_size (torch.Tensor) : Kondisi ukuran gambar target.

crop_coords (torch.Tensor) : Kondisi koordinat crop.

attention_kwargs (dict, opsional) : Kamus kwargs yang jika ditentukan akan diteruskan ke AttentionProcessor seperti yang didefinisikan di bawah self.processor dalam diffusers.models.attention_processor.

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

attention_mask (torch.Tensor, opsional) : Mask yang diterapkan pada skor perhatian.

image_rotary_emb (tuple dari torch.Tensor, opsional) : Embedding posisi rotasi yang telah dihitung sebelumnya.

Mengembalikan:

Jika return_dict bernilai True, sebuah ~models.transformer_2d.Transformer2DModelOutput akan dikembalikan, selain itu sebuah tuple di mana elemen pertama adalah tensor sampel.

Metode forward dari 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)

Sumber

Parameter:

sample (torch.Tensor dengan bentuk (batch_size, num_channels, height, width) atau (batch size, num_vector_embeds - 1, num_latent_pixels) jika 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.