diffusers/main/pt/api/models/z_image_transformer2d.md

ZImageTransformer2DModel

Um modelo Transformer para dados semelhantes a imagens do Z-Image.

ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

diffusers.ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

diffusers.ZImageTransformer2DModel(all_patch_size = (2,), all_f_patch_size = (1,), in_channels = 16, dim = 3840, n_layers = 30, n_refiner_layers = 2, n_heads = 30, n_kv_heads = 30, norm_eps = 1e-05, qk_norm = True, cap_feat_dim = 2560, siglip_feat_dim = None, rope_theta = 256.0, t_scale = 1000.0, axes_dims = [32, 48, 48], axes_lens = [1024, 512, 512])

Fonte

forward[[diffusers.ZImageTransformer2DModel.forward]]

forward(x: list[torch.Tensor, list[list[torch.Tensor]]], t, cap_feats: list[torch.Tensor, list[list[torch.Tensor]]], return_dict: bool = True, controlnet_block_samples: dict[int, torch.Tensor] | None = None, siglip_feats: list[list[torch.Tensor]] | None = None, image_noise_mask: list[list[int]] | None = None, patch_size: int = 2, f_patch_size: int = 1, joint_attention_kwargs: dict[str, typing.Any] | None = None)

Fonte

Parâmetros:

x (list de torch.Tensor ou list aninhada de torch.Tensor) : Latentes de entrada. Uma lista plana ao executar no modo padrão, ou uma lista aninhada ao executar no modo omni.

t (torch.Tensor) : Usado para indicar o passo de remoção de ruído.

cap_feats (list de torch.Tensor ou list aninhada de torch.Tensor) : Embeddings de legenda condicional (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

return_dict (bool, opcional, padrão True) : Indica se deve retornar um ~models.transformer_2d.Transformer2DModelOutput em vez de uma tupla simples.

controlnet_block_samples (dict de int para torch.Tensor, opcional) : Um mapeamento de índice de bloco para tensor que, se especificado, é adicionado aos resíduos dos blocos do transformer.

siglip_feats (list de list de torch.Tensor, opcional) : Recursos de imagem SigLIP opcionais usados como condicionamento adicional.

image_noise_mask (list de list de int, opcional) : Máscaras de ruído por imagem indicando tokens com ruído versus limpos no modo omni.

patch_size (int, opcional, padrão 2) : Tamanho do patch espacial usado para aplicar patchify aos latentes de entrada.

f_patch_size (int, opcional, padrão 1) : Tamanho do patch temporal usado para aplicar patchify aos latentes de entrada.

joint_attention_kwargs (dict, opcional) : Um dicionário de kwargs. Apenas a entrada scale é usada, para escalar as camadas LoRA.

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 ZImageTransformer2DModel.

Fluxo: patchify -> t_embed -> x_embed -> x_refine -> cap_embed -> cap_refine -> [siglip_embed -> siglip_refine] -> build_unified -> main_layers -> final_layer -> unpatchify

patchify_and_embed[[diffusers.ZImageTransformer2DModel.patchify_and_embed]]

patchify_and_embed(all_image: list[torch.Tensor], all_cap_feats: list[torch.Tensor], patch_size: int, f_patch_size: int)

Fonte

Patchify para o modo básico: uma única imagem por item do lote.

patchify_and_embed_omni[[diffusers.ZImageTransformer2DModel.patchify_and_embed_omni]]

patchify_and_embed_omni(all_x: list[list[torch.Tensor]], all_cap_feats: list[list[torch.Tensor]], all_siglip_feats: list[list[torch.Tensor]], patch_size: int, f_patch_size: int, images_noise_mask: list[list[int]])

Fonte

Patchify para o modo omni: múltiplas imagens por item do lote com máscaras de ruído.