diffusers/main/ja/api/models/cogview3plus_transformer2d.md

CogView3PlusTransformer2DModel

清華大学およびZhipuAIによるCogView3: Finer and Faster Text-to-Image Generation via Relay Diffusionにおいて、CogView3Plusの2Dデータ向けのDiffusion Transformerモデルが紹介されました。

モデルは、以下のコードスニペットで読み込むことができます。

from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)

ソース

パラメータ:

patch_size (int、デフォルトは2) : パッチ埋め込み層で使用するパッチのサイズ。

in_channels (int、デフォルトは16) : 入力におけるチャネル数。

num_layers (int、デフォルトは30) : 使用する Transformer ブロックの層数。

attention_head_dim (int、デフォルトは40) : 各ヘッドのチャネル数。

num_attention_heads (int、デフォルトは64) : マルチヘッドアテンションで使用するヘッド数。

out_channels (int、デフォルトは16) : 出力のチャネル数。

text_embed_dim (int、デフォルトは4096) : テキストエンコーダーからのテキスト埋め込みの入力次元数。

time_embed_dim (int、デフォルトは512) : タイムステップ埋め込みの出力次元数。

condition_dim (int、デフォルトは256) : 入力されるSDXLスタイルの解像度条件（original_size、target_size、crop_coords）の埋め込み次元数。

pos_embed_max_size (int、デフォルトは128) : 位置埋め込みの最大解像度です。HとWをそれぞれ潜在変数の高さおよび幅とすると、この解像度からH x Wの形状のスライスを取り出し、入力されたパッチ化された潜在変数に足し加えます。値が128の場合、画像生成でサポートされる最大の高さと幅は128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048となります。

sample_size (int、デフォルトは128) : 入力ラテンツのベース解像度です。生成時に高さ/幅が指定されない場合、この値を使用してsample_size * vae_scale_factor => 128 * 8 => 1024として解像度を決定します。

リレー拡散によるより精密で高速なテキストから画像への生成で紹介されたTransformerモデル。

forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)

ソース

パラメータ:

hidden_states (torch.Tensor) : 形状が (batch size, channel, height, width) の入力 hidden_states。

encoder_hidden_states (torch.Tensor) : プロンプトなどの入力条件から計算される条件埋め込みで、形状は (batch_size, sequence_len, text_embed_dim)

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。

original_size (torch.Tensor) : CogView3 は、https://huggingface.co/papers/2307.01952 のセクション 2.2 で説明されているように、元の画像サイズに対して SDXL 風のマイクロ条件付けを使用します。

target_size (torch.Tensor) : CogView3 は、https://huggingface.co/papers/2307.01952 の 2.2 節で説明されているように、ターゲット画像サイズに対して SDXL 風のマイクロ条件付けを使用します。

crop_coords (torch.Tensor) : CogView3 は、https://huggingface.co/papers/2307.01952 のセクション 2.2 で説明されているように、クロップ座標に対して SDXL 風のマイクロ条件付けを使用します。

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: torch.Tensor または ~models.transformer_2d.Transformer2DModelOutput

提供された入力を用いて条件付けを行い、ノイズ除去された潜在変数。

CogView3PlusTransformer2DModelのforwardメソッドです。

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

ソース

パラメータ:

sample (torch.Tensor、shape は (batch_size, num_channels, height, width)、または Transformer2DModel が離散型の場合 (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states 入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。

Transformer2DModelの出力です。