diffusers/main/ru/api/models/cogview3plus_transformer2d.md

CogView3PlusTransformer2DModel

Модель Diffusion Transformer для 2D-данных из CogView3Plus была представлена в работе CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion от Tsinghua University & ZhipuAI.

Модель можно загрузить с помощью следующего фрагмента кода.

from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)

Источник

Параметры:

patch_size (int, по умолчанию 2) : Размер патчей, используемых в слое встраивания патчей.

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

num_layers (int, по умолчанию 30) : Количество блоков Transformer, которые следует использовать.

attention_head_dim (int, по умолчанию 40) : Количество каналов в каждой голове.

num_attention_heads (int, по умолчанию 64) : Количество головок для использования в механизме внимания с несколькими головками.

out_channels (int, по умолчанию 16) : Количество каналов на выходе.

text_embed_dim (int, по умолчанию 4096) : Размерность входных текстовых эмбеддингов, полученных от текстового энкодера.

time_embed_dim (int, по умолчанию 512) : Размерность выходного вектора эмбеддингов временных шагов.

condition_dim (int, по умолчанию 256) : размерность эмбеддинга для входных условий разрешения в стиле SDXL (original_size, target_size, crop_coords).

pos_embed_max_size (int, по умолчанию 128) : Максимальное разрешение позиционных эмбеддингов, из которого берутся срезы формы H x W и добавляются к входным патчеванным латентам, где H и W — высота и ширина латентов соответственно. Значение 128 означает, что максимальная поддерживаемая высота и ширина для генерации изображений равны 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, по умолчанию 128) : Базовое разрешение входных латентов. Если высота/ширина не указаны при генерации, это значение используется для определения разрешения как sample_size * vae_scale_factor => 128 * 8 => 1024

The Transformer model introduced in CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion.

forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)

Источник

Параметры:

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

encoder_hidden_states (torch.Tensor) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты) формы (batch_size, sequence_len, text_embed_dim)

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

original_size (torch.Tensor) : CogView3 использует микроусловия, аналогичные SDXL, для исходного размера изображения, как описано в разделе 2.2 статьи https://huggingface.co/papers/2307.01952.

target_size (torch.Tensor) : CogView3 использует микроусловия, аналогичные SDXL, для размера целевого изображения, как описано в разделе 2.2 статьи https://huggingface.co/papers/2307.01952.

crop_coords (torch.Tensor) : CogView3 использует микроусловия, аналогичные SDXL, для координат кадрирования, как описано в разделе 2.2 статьи https://huggingface.co/papers/2307.01952.

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

Возвращает: torch.Tensor или ~models.transformer_2d.Transformer2DModelOutput

Шумоподавленные латенты, использующие предоставленные входные данные в качестве условия.

Метод forward модели CogView3PlusTransformer2DModel.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

Источник

Параметры:

sample (torch.Tensor формы (batch_size, num_channels, height, width) или (batch size, num_vector_embeds - 1, num_latent_pixels), если Transformer2DModel дискретный): выходные скрытые состояния, обусловленные входом encoder_hidden_states. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод Transformer2DModel.