Buckets:
| # MochiTransformer3DModel | |
| Um modelo Diffusion Transformer para dados de vídeo 3D foi introduzido em [Mochi-1 Preview](https://huggingface.co/genmo/mochi-1-preview) pela Genmo. | |
| O modelo pode ser carregado com o seguinte trecho de código. | |
| ```python | |
| 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]] | |
| ```python | |
| 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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_mochi.py#L309) | |
| **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](https://huggingface.co/genmo/mochi-1-preview). | |
| #### forward[[diffusers.MochiTransformer3DModel.forward]] | |
| ```python | |
| 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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_mochi.py#L407) | |
| **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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py). | |
| 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](/docs/diffusers/main/pt/api/models/mochi_transformer3d#diffusers.MochiTransformer3DModel). | |
| ## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]] | |
| #### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]] | |
| ```python | |
| diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor) | |
| ``` | |
| [Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21) | |
| **Parâmetros:** | |
| sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.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](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel). | |
Xet Storage Details
- Size:
- 4.94 kB
- Xet hash:
- 545f1fc896afa5f60bfbe7d09efd053626d29519b14295942dca764f695060b3
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.