diffusers/main/pt/api/models/mochi_transformer3d.md

MochiTransformer3DModel

Um modelo Diffusion Transformer para dados de vídeo 3D foi introduzido em Mochi-1 Preview pela Genmo.

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

from diffusers import MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 256)

Fonte

Parâmetros:

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

num_attention_heads (int, padrão 24) : O número de cabeças a serem usadas para a atenção multi-cabeça.

attention_head_dim (int, padrão 128) : O número de canais em cada head.

num_layers (int, padrão 48) : O número de blocos de Transformer a serem usados.

in_channels (int, padrão 12) : O número de canais na entrada.

out_channels (int, opcional, padrão None) : O número de canais na saída.

qk_norm (str, padrão "rms_norm") : A camada de normalização a ser usada.

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

time_embed_dim (int, padrão 256) : Dimensão de saída dos embeddings de timestep.

activation_fn (str, padrão "swiglu") : Função de ativação a ser usada no feed-forward.

max_sequence_length (int, padrão 256) : O comprimento máximo de sequência suportado para embeddings de texto.

Um modelo Transformer para dados semelhantes a vídeo introduzido em Mochi.

forward[[diffusers.MochiTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Fonte

Parâmetros:

hidden_states (torch.Tensor de forma (batch_size, num_channels, num_frames, 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.

encoder_attention_mask (torch.Tensor) : Máscara aplicada a encoder_hidden_states durante a atenção.

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.

Retorna: torch.Tensor

O tensor de saída dessonificado com forma (batch_size, out_channels, num_frames, height, width).

O método forward do MochiTransformer3DModel.

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.