diffusers/main/pt/api/models/qwenimage_transformer2d.md

QwenImageTransformer2DModel

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

from diffusers import QwenImageTransformer2DModel

transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)

QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

diffusers.QwenImageTransformer2DModel(patch_size: int = 2, in_channels: int = 64, out_channels: int | None = 16, num_layers: int = 60, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 3584, guidance_embeds: bool = False, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), zero_cond_t: bool = False, use_additional_t_cond: bool = False, use_layer3d_rope: bool = False)

Fonte

Parâmetros:

patch_size (int, padrão 2) : Tamanho do patch para dividir 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 60) : O número de blocos DiT de fluxo duplo 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 3584) : O número de dimensões a serem usadas para a atenção conjunta (dimensão de incorporação/canal de encoder_hidden_states).

guidance_embeds (bool, padrão False) : Se deve usar embeddings de orientação para a variante destilada por orientação do modelo.

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

O modelo Transformer introduzido no Qwen.

forward[[diffusers.QwenImageTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, encoder_hidden_states_mask: Tensor = None, timestep: LongTensor = None, img_shapes: list[tuple[int, int, int]] | None = None, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, controlnet_block_samples = None, additional_t_cond = 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.

encoder_hidden_states_mask (torch.Tensor de forma (batch_size, text_sequence_length), opcional) : Máscara para os estados ocultos do codificador. Espera-se que tenha 1.0 para tokens válidos e 0.0 para tokens de preenchimento. Usada no processador de atenção para impedir a atenção a tokens de preenchimento. A máscara pode ter qualquer padrão (não apenas tokens válidos contíguos seguidos por preenchimento), pois é aplicada elemento a elemento na atenção.

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

img_shapes (list[tuple[int, int, int]], opcional) : Formatos de imagem para o cálculo do RoPE.

guidance (torch.Tensor, opcional) : Tensor de orientação para geração condicional.

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.

controlnet_block_samples (opcional) : Amostras de blocos do ControlNet a serem adicionadas aos blocos do transformer.

additional_t_cond (torch.Tensor, opcional) : Condição adicional de passo de tempo adicionada ao incorporamento do passo de tempo.

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 QwenTransformer2DModel.

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.