Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ru /api /models /consisid_transformer3d.md

mishig

7 days ago

preview code

download

raw

18.3 kB

# ConsisIDTransformer3DModel

A Diffusion Transformer model for 3D data from [ConsisID](https://github.com/PKU-YuanGroup/ConsisID) was introduced in [Identity-Preserving Text-to-Video Generation by Frequency Decomposition](https://huggingface.co/papers/2411.17440) by Peking University & University of Rochester & etc.

Модель можно загрузить с помощью следующего фрагмента кода.

```python
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]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/consisid_transformer_3d.py#L351)

**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](https://github.com/PKU-YuanGroup/ConsisID).

#### forward[[diffusers.ConsisIDTransformer3DModel.forward]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/consisid_transformer_3d.py#L623)

**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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).
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](/docs/diffusers/main/ru/api/models/consisid_transformer3d#diffusers.ConsisIDTransformer3DModel).

## 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)
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)
**Параметры:**
sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.
Вывод [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).

Xet Storage Details

Size:: 18.3 kB
Xet hash:: a0f567caac434b36a338f52c8e7e007ce17264e085316194432c3071b9419b5e

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

	# ConsisIDTransformer3DModel

	A Diffusion Transformer model for 3D data from [ConsisID](https://github.com/PKU-YuanGroup/ConsisID) was introduced in [Identity-Preserving Text-to-Video Generation by Frequency Decomposition](https://huggingface.co/papers/2411.17440) by Peking University & University of Rochester & etc.

	Модель можно загрузить с помощью следующего фрагмента кода.

	```python
	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/consisid_transformer_3d.py#L351)

	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](https://github.com/PKU-YuanGroup/ConsisID).

	#### forward[[diffusers.ConsisIDTransformer3DModel.forward]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/consisid_transformer_3d.py#L623)

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

	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](/docs/diffusers/main/ru/api/models/consisid_transformer3d#diffusers.ConsisIDTransformer3DModel).

	## 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)
	```

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

	Параметры:

	sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

	Вывод [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).