Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /pt /api /models /qwenimage_transformer2d.md

mishig

3 days ago

preview code

download

raw

5.73 kB

# QwenImageTransformer2DModel

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

```python
from diffusers import QwenImageTransformer2DModel
transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)
```

## QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

#### diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L748)

**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]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L868)

**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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

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]]
```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:: 5.73 kB
Xet hash:: 729f28cecc27b4cac8046c6608add968810785c0cc3606bfdcf7410d18749a9c

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

	# QwenImageTransformer2DModel

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

	```python
	from diffusers import QwenImageTransformer2DModel

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

	## QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

	#### diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L748)

	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L868)

	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

	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]]

	```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).