diffusers/main/ja/api/models/sd3_transformer2d.md

SD3 Transformer モデル

Stable Diffusion 3で導入されたTransformerモデルです。その新しさは、MMDiT Transformerブロックにあります。

SD3Transformer2DModel[[diffusers.SD3Transformer2DModel]]

diffusers.SD3Transformer2DModel[[diffusers.SD3Transformer2DModel]]

diffusers.SD3Transformer2DModel(sample_size: int = 128, patch_size: int = 2, in_channels: int = 16, num_layers: int = 18, attention_head_dim: int = 64, num_attention_heads: int = 18, joint_attention_dim: int = 4096, caption_projection_dim: int = 1152, pooled_projection_dim: int = 2048, out_channels: int = 16, pos_embed_max_size: int = 96, dual_attention_layers: tuple[int, ...] = (), qk_norm: str | None = None)

ソース

パラメータ:

sample_size (int、デフォルトは128) : 潜在変数の幅/高さです。これは位置埋め込みの数を学習するために使用されるため、トレーニング中は固定されます。

patch_size (int、デフォルトは2) : 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16) : 入力における潜在チャネルの数。

num_layers (int、デフォルトは18) : 使用するtransformerブロックの層数。

attention_head_dim (int、デフォルトは64) : 各ヘッドのチャネル数。

num_attention_heads (int、デフォルトは18) : マルチヘッドアテンションで使用するヘッド数。

joint_attention_dim (int、デフォルトは4096) : 結合テキスト・画像アテンションに使用する埋め込み次元数。

caption_projection_dim (int、デフォルトは1152) : キャプション埋め込みの埋め込み次元数。

pooled_projection_dim (int、デフォルトは2048) : プールされたテキスト投影の埋め込み次元です。

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

pos_embed_max_size (int、デフォルトは96) : 位置埋め込みの最大潜在高さ/幅。

dual_attention_layers (tuple[int, ...]、デフォルトは()) : 使用するdual-stream transformerブロックの数。

qk_norm (str、任意、デフォルトはNone) : attention層のqueryとkeyに使用する正規化。Noneの場合、正規化は使用されません。

Stable Diffusion 3で導入されたTransformerモデル。

enable_forward_chunking[[diffusers.SD3Transformer2DModel.enable_forward_chunking]]

enable_forward_chunking(chunk_size: int | None = None, dim: int = 0)

ソース

パラメータ:

chunk_size (int, optional) : フィードフォワード層のチャンクサイズ。指定しない場合、dim次元の各テンソルに対してフィードフォワード層を個別に実行します。

dim (int、optional、デフォルトは0) : フィードフォワード計算をチャンク分割する次元です。dim=0（バッチ）またはdim=1（シーケンス長）のいずれかを選択します。

フィードフォワードチャンク分割を使用するようにアテンションプロセッサを設定します。

forward[[diffusers.SD3Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, pooled_projections: Tensor = None, timestep: LongTensor = None, block_controlnet_hidden_states: list = None, joint_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, skip_layers: list[int] | None = None)

ソース

パラメータ:

hidden_states (torch.Tensor、shape (batch size, channel, 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）。

pooled_projections (torch.Tensor、shape (batch_size, projection_dim)) : 入力条件の埋め込みから投影された埋め込み。

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。

block_controlnet_hidden_states (list of torch.Tensor) : 指定された場合、transformer ブロックの残差に追加されるテンソルのリストです。

joint_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。

skip_layers (list of int, optional) : フォワードパス中にスキップするレイヤーのインデックスのリスト。

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。

SD3Transformer2DModelのforwardメソッド。

fuse_qkv_projections[[diffusers.SD3Transformer2DModel.fuse_qkv_projections]]

fuse_qkv_projections()

ソース

融合されたQKV投影を有効にします。自己注意（self-attention）モジュールでは、すべての投影行列（つまり、クエリ、キー、バリュー）が融合されます。相互注意（cross-attention）モジュールでは、キーとバリューの投影行列が融合されます。

> このAPIは🧪実験的です。

unfuse_qkv_projections[[diffusers.SD3Transformer2DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

ソース

有効化されている場合、融合された QKV 投影を無効にします。

> このAPIは🧪実験的です。