diffusers/main/pt/api/models/cogview4_transformer2d.md

CogView4Transformer2DModel

Um modelo Diffusion Transformer para dados 2D do CogView4

O modelo pode ser carregado com o seguinte trecho de código.

from diffusers import CogView4Transformer2DModel

transformer = CogView4Transformer2DModel.from_pretrained("THUDM/CogView4-6B", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel(patch_size: int = 2, in_channels: int = 16, out_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128, rope_axes_dim: tuple[int, int] = (256, 256))

Fonte

Parâmetros:

patch_size (int, padrão 2) : O tamanho dos patches a serem usados na camada de incorporação de patches.

in_channels (int, padrão 16) : O número de canais na entrada.

num_layers (int, padrão 30) : O número de blocos de Transformer a serem usados.

attention_head_dim (int, padrão 40) : O número de canais em cada head.

num_attention_heads (int, padrão 64) : O número de cabeças a serem usadas para a atenção multi-cabeça.

out_channels (int, padrão 16) : O número de canais na saída.

text_embed_dim (int, padrão 4096) : Dimensão de entrada dos embeddings de texto do codificador de texto.

time_embed_dim (int, padrão 512) : Dimensão de saída dos embeddings de timestep.

condition_dim (int, padrão 256) : A dimensão de incorporação das condições de resolução no estilo SDXL da entrada (original_size, target_size, crop_coords).

pos_embed_max_size (int, padrão 128) : A resolução máxima dos embeddings posicionais, da qual são extraídas fatias de forma H x W e adicionadas aos latentes de entrada em patches, onde H e W são, respectivamente, a altura e a largura do latente. Um valor de 128 significa que a altura e a largura máximas suportadas para a geração de imagens são 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, padrão 128) : A resolução base dos latentes de entrada. Se a altura/largura não for fornecida durante a geração, esse valor é usado para determinar a resolução como sample_size * vae_scale_factor => 128 * 8 => 1024

forward[[diffusers.CogView4Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, attention_mask: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | list[tuple[torch.Tensor, torch.Tensor]] | None = None)

Fonte

Parâmetros:

hidden_states (torch.Tensor de forma (batch_size, in_channels, height, width)) : hidden_states de entrada.

encoder_hidden_states (torch.Tensor de forma (batch_size, sequence_len, embed_dims)) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

timestep (torch.LongTensor) : Usado para indicar o passo de desruidamento.

original_size (torch.Tensor) : Condição do tamanho original da imagem.

target_size (torch.Tensor) : Condição de tamanho da imagem alvo.

crop_coords (torch.Tensor) : Condição de coordenadas de recorte.

attention_kwargs (dict, opcional) : Um dicionário de kwargs que, se especificado, é passado para o AttentionProcessor conforme definido em self.processor em diffusers.models.attention_processor.

return_dict (bool, opcional, padrão True) : Indica se deve retornar um ~models.transformer_2d.Transformer2DModelOutput em vez de uma tupla simples.

attention_mask (torch.Tensor, opcional) : Máscara aplicada às pontuações de atenção.

image_rotary_emb (tuple de torch.Tensor, opcional) : Incorporações posicionais rotativas pré-computadas.

Retorna:

Se return_dict for True, um ~models.transformer_2d.Transformer2DModelOutput é retornado; caso contrário, uma tuple onde o primeiro elemento é o tensor da amostra.

O método forward do CogView4Transformer2DModel.

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

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

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

Fonte

Parâmetros:

sample (torch.Tensor de forma (batch_size, num_channels, height, width) ou (batch size, num_vector_embeds - 1, num_latent_pixels) se Transformer2DModel for discreto) : A saída dos estados ocultos condicionada à entrada encoder_hidden_states. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de Transformer2DModel.