diffusers/main/ja/api/models/mochi_transformer3d.md

MochiTransformer3DModel

Genmo による Mochi-1 Preview で、3D ビデオ類似データ向けの 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 MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 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。

num_attention_heads (int、デフォルトは24) : マルチヘッドアテンションに使用するヘッド数。

attention_head_dim (int、デフォルトは128) : 各ヘッドのチャネル数。

num_layers (int、デフォルトは48) : 使用する Transformer ブロックの層数。

in_channels (int、デフォルトは12) : 入力におけるチャネル数。

out_channels (int, 任意, デフォルトは None) : 出力のチャネル数。

qk_norm (str、デフォルトは"rms_norm") : 使用する正規化レイヤー。

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256) : 時間ステップ埋め込みの出力次元。

activation_fn (str、デフォルトは"swiglu") : feed-forwardで使用される活性化関数。

max_sequence_length (int、デフォルトは256) : 対応するテキスト埋め込みの最大シーケンス長。

Mochiで紹介された、動画のようなデータ向けの Transformer モデル。

forward[[diffusers.MochiTransformer3DModel.forward]]

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

ソース

パラメータ:

hidden_states (torch.Tensor、形状 (batch_size, num_channels, num_frames, 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。

encoder_attention_mask (torch.Tensor) : アテンション時にencoder_hidden_statesに適用されるマスク。

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: torch.Tensor

形状が(batch_size, out_channels, num_frames, height, width)のノイズ除去済み出力テンソル。

MochiTransformer3DModel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。