diffusers/main/ko/api/models/cogview3plus_transformer2d.md

CogView3PlusTransformer2DModel

청화대학교 & ZhipuAI의 CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion 논문에서 CogView3Plus의 2D 데이터를 위한 Diffusion Transformer 모델이 소개되었습니다.

다음 코드 스니펫으로 모델을 로드할 수 있습니다.

from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)

소스

매개변수:

patch_size (int, 기본값 2) : 패치 임베딩 레이어에서 사용할 패치의 크기입니다.

in_channels (int, 기본값 16) : 입력의 채널 수.

num_layers (int, 기본값 30) : 사용할 Transformer 블록의 레이어 수입니다.

attention_head_dim (int, 기본값 40) : 각 헤드(head)의 채널 수.

num_attention_heads (int, 기본값 64) : multi-head attention에 사용할 헤드 수입니다.

out_channels (int, 기본값 16) : 출력의 채널 수.

text_embed_dim (int, 기본값 4096) : 텍스트 인코더에서 생성된 텍스트 임베딩의 입력 차원입니다.

time_embed_dim (int, 기본값 512) : timestep 임베딩의 출력 차원.

condition_dim (int, 기본값 256) : 입력 SDXL 스타일 해상도 조건(original_size, target_size, crop_coords)의 임베딩 차원입니다.

pos_embed_max_size (int, 기본값 128) : 위치 임베딩의 최대 해상도입니다. 여기서 H x W 모양의 슬라이스를 잘라 입력 패치된 잠재 변수(latents)에 더합니다. H와 W는 각각 잠재 변수의 높이와 너비를 나타냅니다. 값이 128인 경우, 이미지 생성에서 지원하는 최대 높이와 너비는 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048입니다.

sample_size (int, 기본값 128) : 입력 latents의 기본 해상도입니다. 생성 시 height/width가 제공되지 않으면, 이 값이 sample_size * vae_scale_factor => 128 * 8 => 1024로 해상도를 결정하는 데 사용됩니다.

The Transformer model introduced in CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion.

forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)

소스

매개변수:

hidden_states (torch.Tensor) : (batch size, channel, height, width) 모양의 입력 hidden_states.

encoder_hidden_states (torch.Tensor) : 프롬프트와 같은 입력 조건에서 계산된 조건부 임베딩(Conditional embeddings)으로, 형태는 (batch_size, sequence_len, text_embed_dim)

timestep (torch.LongTensor) : 노이즈 제거 단계를 나타내는 데 사용됩니다.

original_size (torch.Tensor) : CogView3은 https://huggingface.co/papers/2307.01952의 2.2절에서 설명된 바와 같이 SDXL과 유사한 마이크로 컨디셔닝을 원본 이미지 크기에 사용합니다.

target_size (torch.Tensor) : CogView3은 https://huggingface.co/papers/2307.01952의 2.2절에서 설명된 대로 SDXL과 유사한 마이크로 컨디셔닝을 사용하여 대상 이미지 크기를 처리합니다.

crop_coords (torch.Tensor) : CogView3은 https://huggingface.co/papers/2307.01952의 2.2절에서 설명된 바와 같이 SDXL과 유사한 마이크로 컨디셔닝을 크롭 좌표에 사용합니다.

return_dict (bool, 선택 사항, 기본값 True) : 일반 튜플 대신 ~models.transformer_2d.Transformer2DModelOutput을 반환할지 여부.

반환값: torch.Tensor 또는 ~models.transformer_2d.Transformer2DModelOutput

제공된 입력을 조건으로 사용하여 노이즈를 제거한 잠재 변수(latents).

CogView3PlusTransformer2DModel의 forward 메서드입니다.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

소스

매개변수:

sample (torch.Tensor, shape (batch_size, num_channels, height, width) 또는 Transformer2DModel이 discrete인 경우 (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states 입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.

Transformer2DModel의 출력입니다.