diffusers/main/id/api/models/mochi_transformer3d.md

MochiTransformer3DModel

Model Diffusion Transformer untuk data video 3D diperkenalkan dalam Mochi-1 Preview oleh Genmo.

Model dapat dimuat dengan potongan kode berikut.

from diffusers import MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 256)

Sumber

Parameter:

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

num_attention_heads (int, defaultnya 24) : Jumlah kepala yang digunakan untuk multi-head attention.

attention_head_dim (int, defaultnya 128) : Jumlah channel di setiap head.

num_layers (int, defaultnya 48) : Jumlah lapisan blok Transformer yang akan digunakan.

in_channels (int, defaultnya 12) : Jumlah channel pada input.

out_channels (int, opsional, defaultnya None) : Jumlah channel pada output.

qk_norm (str, defaultnya "rms_norm") : Lapisan normalisasi yang akan digunakan.

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

time_embed_dim (int, defaultnya 256) : Dimensi output dari embedding timestep.

activation_fn (str, defaultnya "swiglu") : Fungsi aktivasi yang digunakan dalam feed-forward.

max_sequence_length (int, defaultnya 256) : Panjang maksimum sekuens untuk embedding teks yang didukung.

Model Transformer untuk data mirip video yang diperkenalkan dalam Mochi.

forward[[diffusers.MochiTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, num_channels, num_frames, 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.

encoder_attention_mask (torch.Tensor) : Mask yang diterapkan pada encoder_hidden_states selama perhatian.

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.

Mengembalikan: torch.Tensor

Tensor output yang telah didenoise dengan bentuk (batch_size, out_channels, num_frames, height, width).

Metode forward dari MochiTransformer3DModel.

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.