diffusers/main/ja/api/models/longcat_image_transformer2d.md

LongCatImageTransformer2DModel

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 LongCatImageTransformer2DModel

transformer = LongCatImageTransformer2DModel.from_pretrained("meituan-longcat/LongCat-Image ", subfolder="transformer", dtype=torch.bfloat16)

LongCatImageTransformer2DModel[[diffusers.LongCatImageTransformer2DModel]]

diffusers.LongCatImageTransformer2DModel[[diffusers.LongCatImageTransformer2DModel]]

diffusers.LongCatImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, num_layers: int = 19, num_single_layers: int = 38, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 3584, pooled_projection_dim: int = 3584, axes_dims_rope: list[int] = [16, 56, 56])

ソース

Longcat-Image で導入された Transformer モデル。

forward[[diffusers.LongCatImageTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, timestep: LongTensor = None, img_ids: Tensor = None, txt_ids: Tensor = None, guidance: Tensor = 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。

img_ids (torch.Tensor) : 回転位置埋め込みを計算するために使用される画像の位置 ID。

txt_ids (torch.Tensor) : 回転位置埋め込みを計算するために使用されるテキストの位置 ID。

guidance (torch.Tensor, 任意) : モデルのガイダンス蒸留版に使用されるガイダンススケール埋め込み。

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。

forwardメソッド。