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

OvisImageTransformer2DModel

Model dapat dimuat dengan potongan kode berikut.

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))

Sumber

Parameter:

patch_size (int, defaultnya 1) : Ukuran patch untuk mengubah data input menjadi patch kecil.

in_channels (int, defaultnya 64) : Jumlah channel pada input.

out_channels (int, opsional, defaultnya None) : Jumlah channel pada output. Jika tidak ditentukan, defaultnya adalah in_channels.

num_layers (int, defaultnya 6) : Jumlah lapisan blok DiT dual stream yang akan digunakan.

num_single_layers (int, defaultnya 27) : Jumlah lapisan blok DiT single stream yang akan digunakan.

attention_head_dim (int, defaultnya 128) : Jumlah dimensi yang digunakan untuk setiap kepala perhatian.

num_attention_heads (int, defaultnya 24) : Jumlah kepala perhatian (attention heads) yang akan digunakan.

joint_attention_dim (int, defaultnya 2048) : Jumlah dimensi yang digunakan untuk perhatian gabungan (dimensi embedding/channel dari encoder_hidden_states).

axes_dims_rope (tuple[int], defaultnya (16, 56, 56)) : Dimensi yang digunakan untuk embedding posisi rotasi.

Model Transformer yang diperkenalkan dalam Ovis-Image.

Referensi: 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)

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, image_sequence_length, in_channels)) : hidden_states masukan.

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

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

img_ids : (torch.Tensor): ID posisi untuk token gambar.

txt_ids (torch.Tensor) : id posisi untuk token teks.

joint_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:

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 OvisImageTransformer2DModel.