diffusers/main/ja/api/models/cogview4_transformer2d.md

CogView4Transformer2DModel

CogView4の2次元データ向けのDiffusion Transformerモデル

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 CogView4Transformer2DModel

transformer = CogView4Transformer2DModel.from_pretrained("THUDM/CogView4-6B", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel(patch_size: int = 2, in_channels: int = 16, out_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128, rope_axes_dim: tuple[int, int] = (256, 256))

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。

forward[[diffusers.CogView4Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, attention_mask: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | list[tuple[torch.Tensor, torch.Tensor]] | None = None)

ソース

パラメータ:

hidden_states (torch.Tensor、形状 (batch_size, in_channels, height, width)) : 入力 hidden_states。

encoder_hidden_states (torch.Tensor、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。

original_size (torch.Tensor) : 元の画像サイズによる条件付け。

target_size (torch.Tensor) : ターゲット画像サイズ条件付け。

crop_coords (torch.Tensor) : クロップ座標の条件付け。

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。

attention_mask (torch.Tensor, 任意) : 注意スコアに適用されるマスク。

image_rotary_emb (tuple of torch.Tensor, 任意) : 事前計算された回転位置埋め込み。

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。

CogView4Transformer2DModel 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。