diffusers/main/ru/api/models/bria_transformer.md

BriaTransformer2DModel

Модифицированная модель flux Transformer от Bria.

BriaTransformer2DModel[[diffusers.BriaTransformer2DModel]]

diffusers.BriaTransformer2DModel[[diffusers.BriaTransformer2DModel]]

diffusers.BriaTransformer2DModel(patch_size: int = 1, in_channels: int = 64, num_layers: int = 19, num_single_layers: int = 38, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 4096, pooled_projection_dim: int = None, guidance_embeds: bool = False, axes_dims_rope: list[int] = [16, 56, 56], rope_theta = 10000, time_theta = 10000)

Источник

Параметры:

patch_size (int) : Размер патча для разбиения входных данных на небольшие патчи.

in_channels (int, необязательный, по умолчанию 16) : Количество каналов на входе.

num_layers (int, optional, по умолчанию 18) : Количество используемых блоков MMDiT.

num_single_layers (int, optional, по умолчанию 18) : Количество слоев одиночных блоков DiT, которые следует использовать.

attention_head_dim (int, необязательный, по умолчанию 64) : Количество каналов в каждой голове.

num_attention_heads (int, optional, по умолчанию 18) : Количество головок для использования в механизме внимания с несколькими головками.

joint_attention_dim (int, optional) : Количество измерений encoder_hidden_states, которые следует использовать.

pooled_projection_dim (int) : Количество измерений, используемых при проецировании pooled_projections.

guidance_embeds (bool, по умолчанию False) : Использовать ли направляющие эмбеддинги.

Модель Transformer, представленная в Flux. Основана на FluxPipeline с несколькими изменениями:

• нет объединённых эмбеддингов
• Мы используем нулевую отсечку для промптов
• Встроенное представление руководства отсутствует, так как это не дистиллированная версия Ссылка: https://blackforestlabs.ai/announcing-black-forest-labs/

forward[[diffusers.BriaTransformer2DModel.forward]]

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

Источник

Параметры:

hidden_states (torch.FloatTensor формы (batch size, channel, height, width)) : Входные hidden_states.

encoder_hidden_states (torch.FloatTensor формы (batch size, sequence_len, embed_dims)) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

pooled_projections (torch.FloatTensor формы (batch_size, projection_dim)) : Векторы, полученные из эмбеддингов входных условий.

timestep ( torch.LongTensor) : Используется для указания шага денойзинга.

img_ids (torch.Tensor) : идентификаторы позиций изображений, используемые для вычисления вращательных позиционных эмбеддингов.

txt_ids (torch.Tensor) : Идентификаторы позиций текста, используемые для вычисления вращательных позиционных эмбеддингов.

guidance (torch.Tensor, необязательный) : Встраивание масштаба руководства, используемое для вариантов модели, дистиллированных с помощью руководства.

controlnet_block_samples (list из torch.Tensor, необязательный) : Список тензоров, которые при указании добавляются к остаточным связям блоков трансформера.

controlnet_single_block_samples (list из torch.Tensor, необязательный) : Список тензоров, которые при указании добавляются к остаточным связям отдельных блоков трансформера.

attention_kwargs (dict, необязательный) : Словарь kwargs, который при указании передается в AttentionProcessor, определенный в self.processor в diffusers.models.attention_processor.

return_dict (bool, необязательный, по умолчанию True) : Возвращать ли ~models.transformer_2d.Transformer2DModelOutput вместо обычного кортежа.

Возвращает:

Если return_dict равно True, возвращается ~models.transformer_2d.Transformer2DModelOutput, иначе — tuple, первым элементом которого является тензор выборки.

Метод forward модели BriaTransformer2DModel.