diffusers/main/pt/api/models/ovisimage_transformer2d.md

OvisImageTransformer2DModel

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

from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)

OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple[int, int, int] = (16, 56, 56))

Fonte

Parâmetros:

patch_size (int, padrão 1) : Tamanho do patch para converter os dados de entrada em pequenos patches.

in_channels (int, padrão 64) : O número de canais na entrada.

out_channels (int, opcional, padrão None) : O número de canais na saída. Se não for especificado, o padrão é in_channels.

num_layers (int, padrão 6) : O número de blocos DiT de fluxo duplo a serem usados.

num_single_layers (int, padrão 27) : O número de blocos DiT de fluxo único a serem usados.

attention_head_dim (int, padrão 128) : O número de dimensões a serem usadas para cada cabeça de atenção.

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

joint_attention_dim (int, padrão 2048) : O número de dimensões a serem usadas para a atenção conjunta (dimensão de incorporação/canal de encoder_hidden_states).

axes_dims_rope (tuple[int], padrão (16, 56, 56)) : As dimensões a serem usadas para os embeddings posicionais rotativos.

O modelo Transformer introduzido no Ovis-Image.

Referência: https://github.com/AIDC-AI/Ovis-Image

forward[[diffusers.OvisImageTransformer2DModel.forward]]

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

Fonte

Parâmetros:

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

encoder_hidden_states (torch.Tensor de forma (batch_size, text_sequence_length, joint_attention_dim)) : 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.

img_ids : (torch.Tensor): Os ids de posição para tokens de imagem.

txt_ids (torch.Tensor) : Os ids de posição para tokens de texto.

joint_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:

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 OvisImageTransformer2DModel.