Buckets:
| # OvisImageTransformer2DModel | |
| 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。 | |
| ```python | |
| from diffusers import OvisImageTransformer2DModel | |
| transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16) | |
| ``` | |
| ## OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]] | |
| #### diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]] | |
| ```python | |
| diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple[int, int, int] = (16, 56, 56)) | |
| ``` | |
| [ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384) | |
| **パラメータ:** | |
| patch_size (`int`、デフォルトは`1`) : 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`、デフォルトは`64`) : 入力におけるチャネル数。 | |
| out_channels (`int`、*任意*、デフォルトは `None`) : 出力のチャネル数です。指定しない場合、デフォルトで `in_channels` になります。 | |
| num_layers (`int`、デフォルトは`6`) : 使用するデュアルストリームDiTブロックの層数。 | |
| num_single_layers (`int`、デフォルトは`27`) : 使用する単一ストリームDiTブロックの層数。 | |
| attention_head_dim (`int`、デフォルトは`128`) : 各アテンションヘッドに使用する次元数。 | |
| num_attention_heads (`int`、デフォルトは`24`) : 使用するアテンションヘッドの数。 | |
| joint_attention_dim (`int`、デフォルトは`2048`) : 結合アテンションに使用する次元数(`encoder_hidden_states`の埋め込み/チャネル次元)。 | |
| axes_dims_rope (`tuple[int]`、デフォルトは`(16, 56, 56)`) : 回転位置埋め込みに使用する次元数。 | |
| Ovis-Image で導入された Transformer モデル。 | |
| 参考: https://github.com/AIDC-AI/Ovis-Image | |
| #### forward[[diffusers.OvisImageTransformer2DModel.forward]] | |
| ```python | |
| forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, timestep: LongTensor = None, img_ids: Tensor = None, txt_ids: Tensor = None, joint_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True) | |
| ``` | |
| [ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476) | |
| **パラメータ:** | |
| hidden_states (`torch.Tensor`、形状 `(batch_size, image_sequence_length, in_channels)`) : 入力 `hidden_states`。 | |
| encoder_hidden_states (`torch.Tensor`、shape `(batch_size, text_sequence_length, joint_attention_dim)`) : 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`): 画像トークンの位置 ID。 | |
| txt_ids (`torch.Tensor`) : テキストトークンの位置IDです。 | |
| joint_attention_kwargs (`dict`, *任意*) : 指定された場合、[diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) 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。 | |
| [OvisImageTransformer2DModel](/docs/diffusers/main/ja/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel)のforwardメソッドです。 | |
Xet Storage Details
- Size:
- 4.09 kB
- Xet hash:
- 78c97c72459e5f1fcf27ffde00cde6edfd1f31737a102494cc87522535dcc712
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.