Buckets:

hf-doc-build/doc / diffusers /main /id /api /models /qwenimage21_transformer2d.md
mishig's picture
|
download
raw
9.02 kB
# QwenImage21Transformer2DModel
Transformer single-stream yang digunakan oleh Qwen-Image 2.1. Laten teks dan gambar berbagi satu urutan, dan satu proyeksi `modulation` bersama memberi makan setiap blok.
Dua perilaku membedakan 2.1 dari transformer QwenImage sebelumnya:
- **Atensi kausal blok** — atensi mengikuti `(q_idx >= kv_idx) or same_image_block`, sehingga urutan gabungan bersifat kausal sementara setiap blok gambar tetap bidireksional secara internal. `QwenImage21AttnProcessor` mengimplementasikannya sebagai satu panggilan atensi per segmen prefiks dan merupakan default. `QwenImage21FlexAttnProcessor` mengimplementasikannya sebagai satu panggilan `flex_attention` yang digerakkan oleh `BlockMask`, yang lebih cepat setelah model dikompilasi. Keduanya menghasilkan hasil yang sama.
- `causal_condition` — token teks dan gambar kondisi dimodulasi dari `t = 0`, bukan dari timestep yang disampel. Aktivasi mereka independen dari langkah denoising, sehingga kunci dan nilai dari prefiks tersebut dapat di-cache antar langkah melalui argumen `kv_cache`.
Muat dengan:
```python
import torch
from diffusers import QwenImage21Transformer2DModel
transformer = QwenImage21Transformer2DModel.from_pretrained(
"Qwen/Qwen-Image-2.1", subfolder="transformer", dtype=torch.bfloat16
)
```
## QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]
#### diffusers.QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]
```python
diffusers.QwenImage21Transformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 32, attention_head_dim: int = 128, num_attention_heads: int = 32, context_in_dim: int = 4096, mlp_ratio: int = 3, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), eps: float = 1e-06, causal_condition: bool = True)
```
[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L716)
**Parameter:**
patch_size (`int`, defaultnya `1`) : Panjang sisi dari latent patch yang dilipat ke dimensi channel. 2.1 mengonsumsi latents tanpa patch.
in_channels (`int`, defaultnya `64`) : Kanal laten dari input.
out_channels (`int`, *opsional*, defaultnya `64`) : Kanal laten dari output. Kembali ke `in_channels`.
num_layers (`int`, defaultnya `32`) : Jumlah blok single-stream.
attention_head_dim (`int`, defaultnya `128`) : Jumlah channel per kepala perhatian.
num_attention_heads (`int`, defaultnya `32`) : Jumlah kepala perhatian.
context_in_dim (`int`, defaultnya `4096`) : Dimensi channel dari `encoder_hidden_states`.
mlp_ratio (`int`, defaultnya `3`) : Faktor ekspansi feed-forward.
axes_dims_rope (`tuple[int]`, defaultnya `(16, 56, 56)`) : Dimensi rotasi untuk sumbu frame, tinggi, dan lebar.
eps (`float`, defaultnya `1e-6`) : Epsilon untuk lapisan norm.
causal_condition (`bool`, defaultnya `True`) : Modulasi token teks dan gambar kondisi dari `t = 0`. Diperlukan untuk KV caching.
Transformer single-stream yang digunakan oleh Qwen-Image 2.1.
Latent teks dan gambar berbagi satu urutan: token gambar kondisi disubstitusikan ke dalam aliran teks pada posisi yang telah disediakan oleh encoder vision-language, dan token gambar target ditambahkan di akhir. Satu proyeksi `modulation` bersama memberi makan setiap blok, sehingga blok tidak memiliki parameter modulasi miliknya sendiri.
Dua perilaku yang membedakan 2.1:
- **Atensi blok-kausal** — atensi mengikuti `(q_idx >= kv_idx) or same_image_block`, sehingga urutan bersifat kausal sementara setiap blok gambar tetap bidireksional secara internal. Backend atensi `flex` memberikan atensi satu-lintas yang efisien; tanpanya, model menggunakan prefill SDPA multi-lintas yang tepat yang memproses setiap blok secara terpisah.
- `causal_condition` — token teks dan gambar kondisi dimodulasi dari `t = 0` alih-alih timestep yang disampel, yang juga membuat aktivasi mereka tidak bergantung pada timestep sehingga dapat di-cache di antara langkah-langkah denoising.
#### build_token_metadata[[diffusers.QwenImage21Transformer2DModel.build_token_metadata]]
```python
build_token_metadata(image_pad_mask: Tensor, img_shapes: list[tuple[int, int, int]])
```
[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L822)
**Parameter:**
image_pad_mask (`torch.Tensor`) : `(seq_len,)` bool, `True` pada posisi token gambar.
img_shapes (`list[tuple[int, int, int]]`) : `(frame, height, width)` per gambar dalam token laten, dengan gambar kondisi di awal dan gambar target di akhir.
**Mengembalikan:** `tuple[torch.Tensor, torch.Tensor]`
`image_ids` `(seq_len,)` dengan `-1` pada posisi teks dan id unik per blok gambar, serta `target_token_mask` `(seq_len,)` yang menandai token dari gambar target.
Label setiap token dari urutan gabungan dengan blok gambar yang menjadi keanggotaannya.
Batas blok berasal dari jumlah token dalam `img_shapes`, bukan dari rangkaian `True` dalam `image_pad_mask`: dua gambar kondisi yang kebetulan bersebelahan tanpa teks di antaranya membentuk satu rangkaian tetapi harus tetap menjadi blok terpisah, jika tidak mereka akan saling memperhatikan secara bidireksional.
#### forward[[diffusers.QwenImage21Transformer2DModel.forward]]
```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: Tensor, img_shapes: list[list[tuple[int, int, int]]], img_mask: Tensor, encoder_hidden_states_mask: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, kv_cache: diffusers.models.transformers.transformer_qwenimage21.QwenImage21KVCache | None = None, kv_cache_mode: str | None = None, return_dict: bool = True)
```
[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage21.py#L862)
**Parameter:**
hidden_states (`torch.Tensor` dengan bentuk `(batch_size, image_sequence_length, in_channels)`) : Latents yang dikemas, dengan gambar kondisi di depan dan gambar target di akhir.
encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, text_sequence_length, context_in_dim)`) : Embedding teks dari encoder vision-language.
timestep (`torch.Tensor`) : Langkah denoising saat ini, diskalakan ke `[0, 1]`.
img_shapes (`list[list[tuple[int, int, int]]]`) : Daftar per sampel berisi `(frame, height, width)` dalam token laten, dengan gambar kondisi di awal dan gambar target di akhir. Semua sampel harus berbagi tata letak yang sama.
img_mask (`torch.Tensor` dengan bentuk `(batch_size, vlm_sequence_length)`) : `True` pada slot gambar dari encoder vision-language, masing-masing mewakili kelompok `2x2` token laten.
encoder_hidden_states_mask (`torch.Tensor`, *opsional*) : `(batch_size, text_sequence_length)` bool yang menandai token teks yang valid. Posisi yang di-*pad* dikecualikan dari perhatian.
kv_cache (`QwenImage21KVCache`, *opsional*) : Wadah cache. Sampaikan bersama `kv_cache_mode` untuk mengaktifkan cache KV prefiks.
kv_cache_mode (`str`, *opsional*) : `"extract"` untuk mengisi awal cache (langkah denoising pertama), `"cached"` untuk mendekode darinya (langkah-langkah selanjutnya). Memerlukan `causal_condition=True`.
attention_kwargs (`dict`, *opsional*) : Diteruskan ke prosesor perhatian, dan membawa `scale` untuk lapisan LoRA.
return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) alih-alih tuple biasa.
**Mengembalikan:** [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) atau `tuple`
[Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) jika `return_dict` bernilai True, selain itu berupa `tuple` biasa yang elemen pertamanya adalah latents yang telah didenoise.
## 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:
9.02 kB
·
Xet hash:
d499baaca1a0df2afdbe142ad4da009985ea4d9af5ecd138a86470fbc99068ec

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