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

StableAudioDiTModel

Stable Audio Openのオーディオ波形用のTransformerモデル。

StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

diffusers.StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

diffusers.StableAudioDiTModel(sample_size: int = 1024, in_channels: int = 64, num_layers: int = 24, attention_head_dim: int = 64, num_attention_heads: int = 24, num_key_value_attention_heads: int = 12, out_channels: int = 64, cross_attention_dim: int = 768, time_proj_dim: int = 256, global_states_input_dim: int = 1536, cross_attention_input_dim: int = 768)

ソース

パラメータ:

sample_size ( int、optional、デフォルトは 1024) : 入力サンプルのサイズ。

in_channels (int、任意、デフォルトは 64) : 入力におけるチャネル数。

num_layers (int, 任意, デフォルトは 24) : 使用する Transformer ブロックの層数です。

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

num_attention_heads (int、任意、デフォルトは 24) : クエリ状態に使用するヘッド数。

num_key_value_attention_heads (int、optional、デフォルトは 12) : キーとバリューの状態に使用するヘッド数。

out_channels (int、デフォルトは 64) : 出力チャネル数。

cross_attention_dim ( int、optional、デフォルトは 768) : クロスアテンションの射影の次元数。

time_proj_dim ( int、optional、デフォルトは 256) : タイムステップの内部投影の次元数。

global_states_input_dim ( int、optional、デフォルトは 1536) : グローバル隠れ状態の射影の入力次元。

cross_attention_input_dim ( int、optional、デフォルトは 768) : クロスアテンションの射影の入力次元

Stable Audio で紹介された Diffusion Transformer モデル。

参考: https://github.com/Stability-AI/stable-audio-tools

forward[[diffusers.StableAudioDiTModel.forward]]

forward(hidden_states: FloatTensor, timestep: LongTensor = None, encoder_hidden_states: FloatTensor = None, global_hidden_states: FloatTensor = None, rotary_embedding: FloatTensor = None, return_dict: bool = True, attention_mask: typing.Optional[torch.LongTensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)

ソース

パラメータ:

hidden_states (torch.FloatTensor、shape (batch size, in_channels, sequence_len)) : 入力 hidden_states。

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_hidden_states (torch.FloatTensor、shape (batch size, encoder_sequence_len, cross_attention_input_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）。

global_hidden_states (torch.FloatTensor、shape (batch size, global_sequence_len, global_states_input_dim)) : hidden states の先頭に付加されるグローバル埋め込み。

rotary_embedding (torch.Tensor) : attention 計算時にクエリとキーのテンソルに適用するロータリー埋め込み。

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。

attention_mask (torch.Tensor、形状 (batch_size, sequence_len)、任意) : パディングトークンのインデックスに対するアテンションの計算を回避するためのマスクです。2つのテキストエンコーダーのアテンションマスクを連結して形成されます。マスクの値は [0, 1] から選択されます: - マスクされないトークンは 1、- マスクされるトークンは 0。

encoder_attention_mask (torch.Tensor、shape (batch_size, sequence_len)、任意) : 2つのテキストエンコーダーのattentionマスクを連結して形成される、paddingトークンのcross-attentionインデックスに対してattentionを実行しないためのマスク。[0, 1]から選択されるマスク値: - マスクされないトークンは1、 - マスクされるトークンは0。

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。

StableAudioDiTModelのforwardメソッドです。

set_default_attn_processor[[diffusers.StableAudioDiTModel.set_default_attn_processor]]

set_default_attn_processor()

ソース

カスタムアテンションプロセッサを無効にし、デフォルトのアテンション実装を設定します。