Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /pt /api /models /controlnet_hunyuandit.md

mishig

8 days ago

preview code

download

raw

13 kB

# HunyuanDiT2DControlNetModel

HunyuanDiT2DControlNetModel é uma implementação do ControlNet para [Hunyuan-DiT](https://huggingface.co/papers/2405.08748).

ControlNet foi introduzido em [Adding Conditional Control to Text-to-Image Diffusion Models](https://huggingface.co/papers/2302.05543) por Lvmin Zhang, Anyi Rao e Maneesh Agrawala.

Com um modelo ControlNet, você pode fornecer uma imagem de controle adicional para condicionar e controlar a geração do Hunyuan-DiT. Por exemplo, se você fornecer um mapa de profundidade, o modelo ControlNet gera uma imagem que preservará as informações espaciais do mapa de profundidade. É uma maneira mais flexível e precisa de controlar o processo de geração de imagens.

O resumo do artigo é:

*Apresentamos o ControlNet, uma arquitetura de rede neural para adicionar controles de condicionamento espacial a grandes modelos de difusão de texto para imagem pré-treinados. O ControlNet trava os grandes modelos de difusão prontos para produção e reutiliza suas camadas de codificação profundas e robustas, pré-treinadas com bilhões de imagens, como uma base forte para aprender um conjunto diversificado de controles condicionais. A arquitetura neural é conectada com "convoluções zero" (camadas de convolução inicializadas em zero) que crescem progressivamente os parâmetros a partir de zero e garantem que nenhum ruído prejudicial possa afetar o ajuste fino. Testamos vários controles de condicionamento, por exemplo, bordas, profundidade, segmentação, pose humana, etc., com o Stable Diffusion, usando condições únicas ou múltiplas, com ou sem prompts. Mostramos que o treinamento dos ControlNets é robusto com conjuntos de dados pequenos (<50k) e grandes (>1m). Resultados extensos mostram que o ControlNet pode facilitar aplicações mais amplas para controlar modelos de difusão de imagem.*

Este código foi implementado pela equipe Tencent Hunyuan. Você pode encontrar checkpoints pré-treinados para ControlNets do Hunyuan-DiT em [Tencent Hunyuan](https://huggingface.co/Tencent-Hunyuan).

## Exemplo de carregamento do HunyuanDiT2DControlNetModel

```py
from diffusers import HunyuanDiT2DControlNetModel
import torch
controlnet = HunyuanDiT2DControlNetModel.from_pretrained("Tencent-Hunyuan/HunyuanDiT-v1.1-ControlNet-Diffusers-Pose", dtype=torch.float16)
```

## HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

#### diffusers.HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

```python
diffusers.HunyuanDiT2DControlNetModel(conditioning_channels: int = 3, num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: int | None = None, patch_size: int | None = None, activation_fn: str = 'gelu-approximate', sample_size = 32, hidden_size = 1152, transformer_num_layers: int = 40, mlp_ratio: float = 4.0, cross_attention_dim: int = 1024, cross_attention_dim_t5: int = 2048, pooled_projection_dim: int = 1024, text_len: int = 77, text_len_t5: int = 256, use_style_cond_and_image_meta_size: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L40)

#### forward[[diffusers.HunyuanDiT2DControlNetModel.forward]]

```python
forward(hidden_states, timestep, controlnet_cond: Tensor, conditioning_scale: float = 1.0, encoder_hidden_states = None, text_embedding_mask = None, encoder_hidden_states_t5 = None, text_embedding_mask_t5 = None, image_meta_size = None, style = None, image_rotary_emb = None, return_dict = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L215)

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch size, dim, height, width)`) : O tensor de entrada.
timestep ( `torch.LongTensor`, *opcional*) : Usado para indicar o passo de desruidamento.
controlnet_cond ( `torch.Tensor` ) : A entrada de condicionamento para o ControlNet.

conditioning_scale ( `float` ) : Indica a escala de condicionamento.
encoder_hidden_states ( `torch.Tensor` de forma `(batch size, sequence len, embed dims)`, *opcional*) : Embebimentos condicionais para a camada de atenção cruzada. Esta é a saída de `BertModel`.
text_embedding_mask : torch.Tensor Uma máscara de atenção de forma `(batch, key_tokens)` é aplicada a `encoder_hidden_states`. Este é o resultado de `BertModel`.

encoder_hidden_states_t5 ( `torch.Tensor` de forma `(batch size, sequence len, embed dims)`, *opcional*) : Embebimentos condicionais para a camada de atenção cruzada. Esta é a saída do T5 Text Encoder.
text_embedding_mask_t5 : torch.Tensor Uma máscara de atenção de forma `(batch, key_tokens)` é aplicada a `encoder_hidden_states`. Este é o output do T5 Text Encoder.

image_meta_size (torch.Tensor) : incorporações condicionais que indicam os tamanhos das imagens

style : torch.Tensor: incorporamento condicional que indica o estilo

image_rotary_emb (`torch.Tensor`) : Os embeddings rotacionais de imagem a serem aplicados nos tensores de consulta e chave durante o cálculo da atenção.

return_dict : bool Se deve retornar um dicionário.
**Retorna:**
Se `return_dict` for True, um `HunyuanControlNetOutput` é retornado; caso contrário, uma `tuple` onde o primeiro elemento é a lista de amostras dos blocos do ControlNet.

O método forward do [HunyuanDiT2DControlNetModel](/docs/diffusers/main/pt/api/models/controlnet_hunyuandit#diffusers.HunyuanDiT2DControlNetModel).

#### set_attn_processor[[diffusers.HunyuanDiT2DControlNetModel.set_attn_processor]]

```python
set_attn_processor(processor: diffusers.models.attention_processor.AttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor2_0 | diffusers.models.attention_processor.JointAttnProcessor2_0 | diffusers.models.attention_processor.PAGJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 | diffusers.models.attention_processor.FusedJointAttnProcessor2_0 | diffusers.models.attention_processor.AllegroAttnProcessor2_0 | diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.XFormersAttnAddedKVProcessor | diffusers.models.attention_processor.XFormersAttnProcessor | diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 | diffusers.models.attention_processor.AttnProcessorNPU | diffusers.models.attention_processor.AttnProcessor2_0 | diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 | diffusers.models.attention_processor.MochiAttnProcessor2_0 | diffusers.models.attention_processor.StableAudioAttnProcessor2_0 | diffusers.models.attention_processor.HunyuanAttnProcessor2_0 | diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.LuminaAttnProcessor2_0 | diffusers.models.attention_processor.FusedAttnProcessor2_0 | diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 | diffusers.models.attention_processor.SlicedAttnProcessor | diffusers.models.attention_processor.SlicedAttnAddedKVProcessor | diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleLinearAttention | diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleAttentionProjection | diffusers.models.attention_processor.IPAdapterAttnProcessor | diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 | diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor | diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.LoRAAttnProcessor | diffusers.models.attention_processor.LoRAAttnProcessor2_0 | diffusers.models.attention_processor.LoRAXFormersAttnProcessor | diffusers.models.attention_processor.LoRAAttnAddedKVProcessor | dict[str, diffusers.models.attention_processor.AttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor2_0 | diffusers.models.attention_processor.JointAttnProcessor2_0 | diffusers.models.attention_processor.PAGJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 | diffusers.models.attention_processor.FusedJointAttnProcessor2_0 | diffusers.models.attention_processor.AllegroAttnProcessor2_0 | diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.XFormersAttnAddedKVProcessor | diffusers.models.attention_processor.XFormersAttnProcessor | diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 | diffusers.models.attention_processor.AttnProcessorNPU | diffusers.models.attention_processor.AttnProcessor2_0 | diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 | diffusers.models.attention_processor.MochiAttnProcessor2_0 | diffusers.models.attention_processor.StableAudioAttnProcessor2_0 | diffusers.models.attention_processor.HunyuanAttnProcessor2_0 | diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.LuminaAttnProcessor2_0 | diffusers.models.attention_processor.FusedAttnProcessor2_0 | diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 | diffusers.models.attention_processor.SlicedAttnProcessor | diffusers.models.attention_processor.SlicedAttnAddedKVProcessor | diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleLinearAttention | diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleAttentionProjection | diffusers.models.attention_processor.IPAdapterAttnProcessor | diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 | diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor | diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.LoRAAttnProcessor | diffusers.models.attention_processor.LoRAAttnProcessor2_0 | diffusers.models.attention_processor.LoRAXFormersAttnProcessor | diffusers.models.attention_processor.LoRAAttnAddedKVProcessor])
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L141)

**Parâmetros:**

processor (`dict` de `AttentionProcessor` ou apenas `AttentionProcessor`) : A classe de processador instanciada ou um dicionário de classes de processador que será definido como o processador para **todos** os camadas de `Attention`. Se `processor` for um dicionário, a chave precisa definir o caminho para o processador de atenção cruzada correspondente. Isso é fortemente recomendado ao definir processadores de atenção treináveis.

Define o processador de atenção a ser usado para calcular a atenção.

Xet Storage Details

Size:: 13 kB
Xet hash:: a92518fffe80f3d471e2c71313bfa1586fc0d27498c95752ef3a55ea9335809f

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# HunyuanDiT2DControlNetModel

	HunyuanDiT2DControlNetModel é uma implementação do ControlNet para [Hunyuan-DiT](https://huggingface.co/papers/2405.08748).

	ControlNet foi introduzido em [Adding Conditional Control to Text-to-Image Diffusion Models](https://huggingface.co/papers/2302.05543) por Lvmin Zhang, Anyi Rao e Maneesh Agrawala.

	Com um modelo ControlNet, você pode fornecer uma imagem de controle adicional para condicionar e controlar a geração do Hunyuan-DiT. Por exemplo, se você fornecer um mapa de profundidade, o modelo ControlNet gera uma imagem que preservará as informações espaciais do mapa de profundidade. É uma maneira mais flexível e precisa de controlar o processo de geração de imagens.

	O resumo do artigo é:

	Apresentamos o ControlNet, uma arquitetura de rede neural para adicionar controles de condicionamento espacial a grandes modelos de difusão de texto para imagem pré-treinados. O ControlNet trava os grandes modelos de difusão prontos para produção e reutiliza suas camadas de codificação profundas e robustas, pré-treinadas com bilhões de imagens, como uma base forte para aprender um conjunto diversificado de controles condicionais. A arquitetura neural é conectada com "convoluções zero" (camadas de convolução inicializadas em zero) que crescem progressivamente os parâmetros a partir de zero e garantem que nenhum ruído prejudicial possa afetar o ajuste fino. Testamos vários controles de condicionamento, por exemplo, bordas, profundidade, segmentação, pose humana, etc., com o Stable Diffusion, usando condições únicas ou múltiplas, com ou sem prompts. Mostramos que o treinamento dos ControlNets é robusto com conjuntos de dados pequenos (<50k) e grandes (>1m). Resultados extensos mostram que o ControlNet pode facilitar aplicações mais amplas para controlar modelos de difusão de imagem.

	Este código foi implementado pela equipe Tencent Hunyuan. Você pode encontrar checkpoints pré-treinados para ControlNets do Hunyuan-DiT em [Tencent Hunyuan](https://huggingface.co/Tencent-Hunyuan).

	## Exemplo de carregamento do HunyuanDiT2DControlNetModel

	```py
	from diffusers import HunyuanDiT2DControlNetModel
	import torch
	controlnet = HunyuanDiT2DControlNetModel.from_pretrained("Tencent-Hunyuan/HunyuanDiT-v1.1-ControlNet-Diffusers-Pose", dtype=torch.float16)
	```

	## HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

	#### diffusers.HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

	```python
	diffusers.HunyuanDiT2DControlNetModel(conditioning_channels: int = 3, num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: int \| None = None, patch_size: int \| None = None, activation_fn: str = 'gelu-approximate', sample_size = 32, hidden_size = 1152, transformer_num_layers: int = 40, mlp_ratio: float = 4.0, cross_attention_dim: int = 1024, cross_attention_dim_t5: int = 2048, pooled_projection_dim: int = 1024, text_len: int = 77, text_len_t5: int = 256, use_style_cond_and_image_meta_size: bool = True)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L40)

	#### forward[[diffusers.HunyuanDiT2DControlNetModel.forward]]

	```python
	forward(hidden_states, timestep, controlnet_cond: Tensor, conditioning_scale: float = 1.0, encoder_hidden_states = None, text_embedding_mask = None, encoder_hidden_states_t5 = None, text_embedding_mask_t5 = None, image_meta_size = None, style = None, image_rotary_emb = None, return_dict = True)
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L215)

	Parâmetros:

	hidden_states (`torch.Tensor` de forma `(batch size, dim, height, width)`) : O tensor de entrada.

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

	controlnet_cond ( `torch.Tensor` ) : A entrada de condicionamento para o ControlNet.

	conditioning_scale ( `float` ) : Indica a escala de condicionamento.

	encoder_hidden_states ( `torch.Tensor` de forma `(batch size, sequence len, embed dims)`, opcional) : Embebimentos condicionais para a camada de atenção cruzada. Esta é a saída de `BertModel`.

	text_embedding_mask : torch.Tensor Uma máscara de atenção de forma `(batch, key_tokens)` é aplicada a `encoder_hidden_states`. Este é o resultado de `BertModel`.

	encoder_hidden_states_t5 ( `torch.Tensor` de forma `(batch size, sequence len, embed dims)`, opcional) : Embebimentos condicionais para a camada de atenção cruzada. Esta é a saída do T5 Text Encoder.

	text_embedding_mask_t5 : torch.Tensor Uma máscara de atenção de forma `(batch, key_tokens)` é aplicada a `encoder_hidden_states`. Este é o output do T5 Text Encoder.

	image_meta_size (torch.Tensor) : incorporações condicionais que indicam os tamanhos das imagens

	style : torch.Tensor: incorporamento condicional que indica o estilo

	image_rotary_emb (`torch.Tensor`) : Os embeddings rotacionais de imagem a serem aplicados nos tensores de consulta e chave durante o cálculo da atenção.

	return_dict : bool Se deve retornar um dicionário.

	Retorna:

	Se `return_dict` for True, um `HunyuanControlNetOutput` é retornado; caso contrário, uma `tuple` onde o primeiro elemento é a lista de amostras dos blocos do ControlNet.

	O método forward do [HunyuanDiT2DControlNetModel](/docs/diffusers/main/pt/api/models/controlnet_hunyuandit#diffusers.HunyuanDiT2DControlNetModel).

	#### set_attn_processor[[diffusers.HunyuanDiT2DControlNetModel.set_attn_processor]]

	```python
	set_attn_processor(processor: diffusers.models.attention_processor.AttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor2_0 \| diffusers.models.attention_processor.JointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 \| diffusers.models.attention_processor.FusedJointAttnProcessor2_0 \| diffusers.models.attention_processor.AllegroAttnProcessor2_0 \| diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.XFormersAttnAddedKVProcessor \| diffusers.models.attention_processor.XFormersAttnProcessor \| diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 \| diffusers.models.attention_processor.AttnProcessorNPU \| diffusers.models.attention_processor.AttnProcessor2_0 \| diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 \| diffusers.models.attention_processor.MochiAttnProcessor2_0 \| diffusers.models.attention_processor.StableAudioAttnProcessor2_0 \| diffusers.models.attention_processor.HunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.LuminaAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAttnProcessor2_0 \| diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 \| diffusers.models.attention_processor.SlicedAttnProcessor \| diffusers.models.attention_processor.SlicedAttnAddedKVProcessor \| diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleLinearAttention \| diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleAttentionProjection \| diffusers.models.attention_processor.IPAdapterAttnProcessor \| diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 \| diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor \| diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAAttnProcessor \| diffusers.models.attention_processor.LoRAAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAXFormersAttnProcessor \| diffusers.models.attention_processor.LoRAAttnAddedKVProcessor \| dict[str, diffusers.models.attention_processor.AttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor2_0 \| diffusers.models.attention_processor.JointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 \| diffusers.models.attention_processor.FusedJointAttnProcessor2_0 \| diffusers.models.attention_processor.AllegroAttnProcessor2_0 \| diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.XFormersAttnAddedKVProcessor \| diffusers.models.attention_processor.XFormersAttnProcessor \| diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 \| diffusers.models.attention_processor.AttnProcessorNPU \| diffusers.models.attention_processor.AttnProcessor2_0 \| diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 \| diffusers.models.attention_processor.MochiAttnProcessor2_0 \| diffusers.models.attention_processor.StableAudioAttnProcessor2_0 \| diffusers.models.attention_processor.HunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.LuminaAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAttnProcessor2_0 \| diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 \| diffusers.models.attention_processor.SlicedAttnProcessor \| diffusers.models.attention_processor.SlicedAttnAddedKVProcessor \| diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleLinearAttention \| diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleAttentionProjection \| diffusers.models.attention_processor.IPAdapterAttnProcessor \| diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 \| diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor \| diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAAttnProcessor \| diffusers.models.attention_processor.LoRAAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAXFormersAttnProcessor \| diffusers.models.attention_processor.LoRAAttnAddedKVProcessor])
	```

	[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L141)

	Parâmetros:

	processor (`dict` de `AttentionProcessor` ou apenas `AttentionProcessor`) : A classe de processador instanciada ou um dicionário de classes de processador que será definido como o processador para todos os camadas de `Attention`. Se `processor` for um dicionário, a chave precisa definir o caminho para o processador de atenção cruzada correspondente. Isso é fortemente recomendado ao definir processadores de atenção treináveis.

	Define o processador de atenção a ser usado para calcular a atenção.