diffusers/main/ru/api/models/consisid_transformer3d.md

ConsisIDTransformer3DModel

A Diffusion Transformer model for 3D data from ConsisID was introduced in Identity-Preserving Text-to-Video Generation by Frequency Decomposition by Peking University & University of Rochester & etc.

Модель можно загрузить с помощью следующего фрагмента кода.

from diffusers import ConsisIDTransformer3DModel

transformer = ConsisIDTransformer3DModel.from_pretrained("BestWishYsh/ConsisID-preview", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

ConsisIDTransformer3DModel[[diffusers.ConsisIDTransformer3DModel]]

diffusers.ConsisIDTransformer3DModel[[diffusers.ConsisIDTransformer3DModel]]

diffusers.ConsisIDTransformer3DModel(num_attention_heads: int = 30, attention_head_dim: int = 64, in_channels: int = 16, out_channels: int | None = 16, flip_sin_to_cos: bool = True, freq_shift: int = 0, time_embed_dim: int = 512, text_embed_dim: int = 4096, num_layers: int = 30, dropout: float = 0.0, attention_bias: bool = True, sample_width: int = 90, sample_height: int = 60, sample_frames: int = 49, patch_size: int = 2, temporal_compression_ratio: int = 4, max_text_seq_length: int = 226, activation_fn: str = 'gelu-approximate', timestep_activation_fn: str = 'silu', norm_elementwise_affine: bool = True, norm_eps: float = 1e-05, spatial_interpolation_scale: float = 1.875, temporal_interpolation_scale: float = 1.0, use_rotary_positional_embeddings: bool = False, use_learned_positional_embeddings: bool = False, is_train_face: bool = False, is_kps: bool = False, cross_attn_interval: int = 2, cross_attn_dim_head: int = 128, cross_attn_num_heads: int = 16, LFE_id_dim: int = 1280, LFE_vit_dim: int = 1024, LFE_depth: int = 10, LFE_dim_head: int = 64, LFE_num_heads: int = 16, LFE_num_id_token: int = 5, LFE_num_querie: int = 32, LFE_output_dim: int = 2048, LFE_ff_mult: int = 4, LFE_num_scale: int = 5, local_face_scale: float = 1.0)

Источник

Параметры:

num_attention_heads (int, по умолчанию 30) : Количество головок для использования в механизме multi-head attention.

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

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

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

flip_sin_to_cos (bool, по умолчанию True) : Нужно ли заменить sin на cos во временном эмбеддинге.

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

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

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

dropout (float, по умолчанию 0.0) : Вероятность dropout, которую следует использовать.

attention_bias (bool, по умолчанию True) : Использовать ли смещение (bias) в слоях проекции внимания.

sample_width (int, по умолчанию 90) : Ширина входных латентов.

sample_height (int, по умолчанию 60) : Высота входных латентов.

sample_frames (int, по умолчанию 49) : Количество кадров во входных латентах. Обратите внимание, что этот параметр был неверно инициализирован значением 49 вместо 13, поскольку ConsisID обрабатывал 13 латентных кадров за один проход в своих настройках по умолчанию и рекомендуемых настройках, однако его нельзя изменить на правильное значение ради обеспечения обратной совместимости. Чтобы создать трансформер с K латентными кадрами, здесь следует передать следующее значение: ((K - 1) * temporal_compression_ratio + 1).

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

temporal_compression_ratio (int, по умолчанию 4) : Коэффициент сжатия по временному измерению. См. документацию для sample_frames.

max_text_seq_length (int, по умолчанию 226) : Максимальная длина последовательности входных текстовых эмбеддингов.

activation_fn (str, по умолчанию "gelu-approximate") : Функция активации, используемая в полносвязном слое.

timestep_activation_fn (str, по умолчанию "silu") : Функция активации, используемая при генерации эмбеддингов временных шагов.

norm_elementwise_affine (bool, по умолчанию True) : Использовать ли поэлементное аффинное преобразование в слоях нормализации.

norm_eps (float, по умолчанию 1e-5) : Значение эпсилона, используемое в слоях нормализации.

spatial_interpolation_scale (float, по умолчанию 1.875) : Коэффициент масштабирования, применяемый к 3D-позиционным эмбеддингам вдоль пространственных измерений.

temporal_interpolation_scale (float, по умолчанию 1.0) : Коэффициент масштабирования, применяемый к 3D-позиционным эмбеддингам вдоль временных измерений.

is_train_face (bool, по умолчанию False) : Использовать ли модуль сохранения идентичности в процессе обучения. Если установлено значение True, модель будет ориентироваться на задачи сохранения идентичности.

is_kps (bool, по умолчанию False) : Включает ли ключевые точки для глобального извлечателя лица. Если True, ключевые точки будут присутствовать в модели.

cross_attn_interval (int, по умолчанию 2) : Интервал между слоями кросс-внимания в архитектуре Transformer. Увеличение этого значения может снизить частоту вычислений кросс-внимания, что помогает уменьшить вычислительные затраты.

cross_attn_dim_head (int, optional, по умолчанию 128) : Размерность каждого внимания в слоях кросс-внимания архитектуры Transformer. Увеличение этого значения повышает способность модели обрабатывать более сложные паттерны, но также увеличивает затраты памяти и вычислительных ресурсов.

cross_attn_num_heads (int, optional, по умолчанию 16) : Количество головок внимания в слоях кросс-внимания. Больше головок позволяет использовать более параллельные механизмы внимания, улавливая разнообразные связи между различными компонентами входных данных, но также может увеличивать вычислительные требования.

LFE_id_dim (int, optional, по умолчанию 1280) : Размерность вектора идентичности, используемого в Local Facial Extractor (LFE). Этот вектор представляет характеристики идентичности лица, которые важны для таких задач, как распознавание лиц и сохранение идентичности в разных кадрах.

LFE_vit_dim (int, optional, по умолчанию 1024) : Размерность выхода vision transformer (ViT), используемого в Local Facial Extractor (LFE). Это значение определяет размер векторов признаков, генерируемых трансформером, которые будут обработаны для извлечения черт лица.

LFE_depth (int, optional, по умолчанию 10) : Количество слоев в Local Facial Extractor (LFE). Увеличение глубины позволяет модели захватывать более сложные представления черт лица, но также повышает вычислительную нагрузку.

LFE_dim_head (int, optional, по умолчанию 64) : Размерность каждого внимания в Local Facial Extractor (LFE). Этот параметр определяет, насколько детально модель может обрабатывать и фокусироваться на различных частях черт лица в процессе извлечения.

LFE_num_heads (int, optional, по умолчанию 16) : Количество головок внимания в Local Facial Extractor (LFE). Увеличение числа головок может повысить способность модели улавливать разнообразные черты лица, но за счёт роста вычислительной сложности.

LFE_num_id_token (int, optional, по умолчанию 5) : Количество токенов идентичности, используемых в Local Facial Extractor (LFE). Это определяет, сколько токенов, связанных с идентичностью, будет обрабатывать модель для обеспечения сохранения идентичности лица при извлечении признаков.

LFE_num_querie (int, optional, по умолчанию 32) : Количество токенов запроса, используемых в Local Facial Extractor (LFE). Эти токены применяются для захвата информации о лице с высокой частотой, что способствует точному извлечению черт лица.

LFE_output_dim (int, optional, по умолчанию 2048) : Размер выходного пространства Local Facial Extractor (LFE). Эта величина определяет размерность векторов признаков, генерируемых модулем LFE, которые используются для последующих задач, таких как распознавание лиц или отслеживание.

LFE_ff_mult (int, optional, по умолчанию 4) : Множитель, применяемый к размеру скрытого слоя сети прямого распространения в Local Facial Extractor (LFE). Более высокое значение увеличивает способность модели обучаться более сложным преобразованиям черт лица, но также повышает требования к вычислениям и памяти.

LFE_num_scale (int, optional, по умолчанию 5) : Количество различных масштабов визуальных признаков. Более высокое значение увеличивает способность модели обучаться более сложным трансформациям черт лица, но также повышает требования к вычислительным ресурсам и памяти.

local_face_scale (float, по умолчанию 1.0) : Коэффициент масштабирования, используемый для корректировки важности локальных черт лица в модели. Это может влиять на то, насколько сильно модель фокусируется на высокочастотном содержании, связанном с лицом.

Модель Transformer для видеоподобных данных в ConsisID.

forward[[diffusers.ConsisIDTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: typing.Union[int, float, torch.LongTensor], timestep_cond: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | None = None, attention_kwargs: dict[str, typing.Any] | None = None, id_cond: typing.Optional[torch.Tensor] = None, id_vit_hidden: typing.Optional[torch.Tensor] = None, return_dict: bool = True)

Источник

Параметры:

hidden_states (torch.Tensor формы (batch_size, num_frames, channels, height, width)) : входные hidden_states.

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

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

timestep_cond (torch.Tensor, необязательный) : Условные эмбеддинги для временного шага. Если предоставлены, эмбеддинги будут сложены с сэмплами, прошедшими через слой self.time_embedding, чтобы получить итоговые эмбеддинги временного шага.

image_rotary_emb (tuple из torch.Tensor, необязательный) : Предварительно вычисленные вращательные позиционные эмбеддинги.

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

id_cond (torch.Tensor, необязательный) : Векторное представление лица, извлечённое локальным экстрактором лиц и используемое для условного формирования идентичности.

id_vit_hidden (torch.Tensor, необязательный) : Скрытые состояния ViT, извлечённые из изображений лиц и используемые для условного формирования идентичности.

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 ConsisIDTransformer3DModel.

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.