diffusers/main/ja/api/models/aura_flow_transformer2d.md

AuraFlowTransformer2DModel

AuraFlowからの画像類似データ向けのTransformerモデルです。

AuraFlowTransformer2DModel[[diffusers.AuraFlowTransformer2DModel]]

diffusers.AuraFlowTransformer2DModel[[diffusers.AuraFlowTransformer2DModel]]

diffusers.AuraFlowTransformer2DModel(sample_size: int = 64, patch_size: int = 2, in_channels: int = 4, num_mmdit_layers: int = 4, num_single_dit_layers: int = 32, attention_head_dim: int = 256, num_attention_heads: int = 12, joint_attention_dim: int = 2048, caption_projection_dim: int = 3072, out_channels: int = 4, pos_embed_max_size: int = 1024)

ソース

パラメータ:

sample_size (int) : 潜在画像の幅です。これは位置埋め込みの数を学習するために使用されるため、トレーニング中は固定されます。

patch_size (int) : 入力データを小さなパッチに変換するためのパッチサイズ。

in_channels (int、任意、デフォルトは 4) : 入力におけるチャネル数。

num_mmdit_layers (int、optional、デフォルトは 4) : 使用する MMDiT Transformer ブロックの層数。

num_single_dit_layers (int、optional、デフォルトは 32) : 使用する Transformer ブロックの層数です。これらのブロックは、画像とテキストの表現を連結して使用します。

attention_head_dim (int、任意、デフォルトは 256) : 各ヘッドのチャネル数。

num_attention_heads (int, optional, デフォルトは 12) : マルチヘッドアテンションで使用するヘッド数。

joint_attention_dim (int, 任意) : 使用するencoder_hidden_statesの次元数。

caption_projection_dim (int) : encoder_hidden_statesを投影する際に使用する次元数。

out_channels (int、デフォルトは 4) : 出力チャネル数。

pos_embed_max_size (int、デフォルトは 1024) : 画像潜在変数から埋め込む最大位置数。

AuraFlow (https://blog.fal.ai/auraflow/) で紹介されている 2D Transformer モデルです。

forward[[diffusers.AuraFlowTransformer2DModel.forward]]

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

ソース

パラメータ:

hidden_states (torch.FloatTensor、shape (batch size, channel, height, width)) : 入力 hidden_states。

encoder_hidden_states (torch.FloatTensor、shape (batch size, sequence_len, embed_dims)) : 使用する条件埋め込み（プロンプトなどの入力条件から計算される埋め込み）。

timestep (torch.LongTensor) : デノイジングステップを示すために使用されます。

attention_kwargs (dict, 任意) : 指定された場合、diffusers.models.attention_processor の self.processor で定義されている AttentionProcessor に渡される kwargs の辞書です。

return_dict (bool、任意、デフォルトはTrue) : プレーンなタプルではなく~models.transformer_2d.Transformer2DModelOutputを返すかどうか。

戻り値:

return_dict が True の場合、~models.transformer_2d.Transformer2DModelOutput が返され、それ以外の場合は、最初の要素がサンプルテンソルである tuple が返されます。

AuraFlowTransformer2DModel の forward メソッドです。

fuse_qkv_projections[[diffusers.AuraFlowTransformer2DModel.fuse_qkv_projections]]

fuse_qkv_projections()

ソース

融合されたQKV投影を有効にします。自己注意（self-attention）モジュールでは、すべての投影行列（つまり、クエリ、キー、バリュー）が融合されます。相互注意（cross-attention）モジュールでは、キーとバリューの投影行列が融合されます。

> このAPIは🧪実験的です。

unfuse_qkv_projections[[diffusers.AuraFlowTransformer2DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

ソース

有効化されている場合、融合された QKV 投影を無効にします。

> このAPIは🧪実験的です。