diffusers/main/id/api/models/z_image_transformer2d.md

ZImageTransformer2DModel

Model Transformer untuk data seperti gambar dari Z-Image.

ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

diffusers.ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

diffusers.ZImageTransformer2DModel(all_patch_size = (2,), all_f_patch_size = (1,), in_channels = 16, dim = 3840, n_layers = 30, n_refiner_layers = 2, n_heads = 30, n_kv_heads = 30, norm_eps = 1e-05, qk_norm = True, cap_feat_dim = 2560, siglip_feat_dim = None, rope_theta = 256.0, t_scale = 1000.0, axes_dims = [32, 48, 48], axes_lens = [1024, 512, 512])

Sumber

forward[[diffusers.ZImageTransformer2DModel.forward]]

forward(x: list[torch.Tensor, list[list[torch.Tensor]]], t, cap_feats: list[torch.Tensor, list[list[torch.Tensor]]], return_dict: bool = True, controlnet_block_samples: dict[int, torch.Tensor] | None = None, siglip_feats: list[list[torch.Tensor]] | None = None, image_noise_mask: list[list[int]] | None = None, patch_size: int = 2, f_patch_size: int = 1, joint_attention_kwargs: dict[str, typing.Any] | None = None)

Sumber

Parameter:

x (list dari torch.Tensor atau list bersarang dari torch.Tensor) : Laten input. Daftar datar saat berjalan dalam mode standar, atau daftar bersarang saat berjalan dalam mode omni.

t (torch.Tensor) : Digunakan untuk menunjukkan langkah denoising.

cap_feats (list dari torch.Tensor atau list bersarang dari torch.Tensor) : Embedding caption kondisional (embedding yang dihitung dari kondisi input seperti prompt) yang akan digunakan.

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

controlnet_block_samples (dict dari int ke torch.Tensor, opsional) : Pemetaan dari indeks blok ke tensor yang, jika ditentukan, akan ditambahkan ke residual dari blok transformer.

siglip_feats (list dari list dari torch.Tensor, opsional) : Fitur gambar SigLIP opsional yang digunakan sebagai kondisioning tambahan.

image_noise_mask (list dari list dari int, opsional) : Masker noise per gambar yang menunjukkan token berisik vs. bersih dalam mode omni.

patch_size (int, opsional, defaultnya 2) : Ukuran patch spasial yang digunakan untuk mem-patchify latens input.

f_patch_size (int, opsional, default 1) : Ukuran patch temporal yang digunakan untuk mem-patchify latens input.

joint_attention_kwargs (dict, opsional) : Kamus kwargs. Hanya entri scale yang digunakan, untuk menskalakan lapisan LoRA.

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 ZImageTransformer2DModel.

Flow: patchify -> t_embed -> x_embed -> x_refine -> cap_embed -> cap_refine -> [siglip_embed -> siglip_refine] -> build_unified -> main_layers -> final_layer -> unpatchify

patchify_and_embed[[diffusers.ZImageTransformer2DModel.patchify_and_embed]]

patchify_and_embed(all_image: list[torch.Tensor], all_cap_feats: list[torch.Tensor], patch_size: int, f_patch_size: int)

Sumber

Patchify untuk mode dasar: satu gambar per item batch.

patchify_and_embed_omni[[diffusers.ZImageTransformer2DModel.patchify_and_embed_omni]]

patchify_and_embed_omni(all_x: list[list[torch.Tensor]], all_cap_feats: list[list[torch.Tensor]], all_siglip_feats: list[list[torch.Tensor]], patch_size: int, f_patch_size: int, images_noise_mask: list[list[int]])

Sumber

Patchify untuk mode omni: beberapa gambar per item batch dengan masker noise.