diffusers/main/ru/api/models/lumina2_transformer2d.md

Lumina2Transformer2DModel

Модель Diffusion Transformer для 3D-видеоподобных данных была представлена в Lumina Image 2.0 от Alpha-VLLM.

Модель можно загрузить с помощью следующего фрагмента кода.

from diffusers import Lumina2Transformer2DModel

transformer = Lumina2Transformer2DModel.from_pretrained("Alpha-VLLM/Lumina-Image-2.0", subfolder="transformer", dtype=torch.bfloat16)

Lumina2Transformer2DModel[[diffusers.Lumina2Transformer2DModel]]

diffusers.Lumina2Transformer2DModel[[diffusers.Lumina2Transformer2DModel]]

diffusers.Lumina2Transformer2DModel(sample_size: int = 128, patch_size: int = 2, in_channels: int = 16, out_channels: int | None = None, hidden_size: int = 2304, num_layers: int = 26, num_refiner_layers: int = 2, num_attention_heads: int = 24, num_kv_heads: int = 8, multiple_of: int = 256, ffn_dim_multiplier: float | None = None, norm_eps: float = 1e-05, scaling_factor: float = 1.0, axes_dim_rope: tuple[int, int, int] = (32, 32, 32), axes_lens: tuple[int, int, int] = (300, 512, 512), cap_feat_dim: int = 1024)

Источник

Параметры:

sample_size (int) : Ширина латентных изображений. Это значение фиксировано во время обучения, поскольку используется для обучения набора позиционных эмбеддингов.

patch_size (int, optional, (int, optional, по умолчанию 2) : Размер каждого патча на изображении. Этот параметр определяет разрешение патчей, передаваемых в модель.

in_channels (int, optional, по умолчанию 4) : Количество входных каналов для модели. Как правило, это значение совпадает с количеством каналов во входных изображениях.

hidden_size (int, optional, по умолчанию 4096) : Размерность скрытых слоёв в модели. Этот параметр определяет ширину скрытых представлений модели.

num_layers (int, optional, по умолчанию 32) : Количество слоёв в модели. Это определяет глубину нейронной сети.

num_attention_heads (int, optional, по умолчанию 32) : Количество головок внимания в каждом слое внимания. Этот параметр определяет, сколько отдельных механизмов внимания используется.

num_kv_heads (int, optional, по умолчанию 8) : Количество ключевых и value-голов в механизме внимания, если оно отличается от общего числа голов внимания. Если значение равно None, используется num_attention_heads.

multiple_of (int, optional, по умолчанию 256) : Множитель, кратным которому должен быть размер скрытого слоя. Это может помочь оптимизировать работу на определённых аппаратных конфигурациях.

ffn_dim_multiplier (float, optional) : Множитель для размерности полносвязной сети. Если значение равно None, используется значение по умолчанию, определяемое конфигурацией модели.

norm_eps (float, optional, по умолчанию 1e-5) : Малое значение, добавляемое к знаменателю для обеспечения численной стабильности в слоях нормализации.

scaling_factor (float, optional, по умолчанию 1.0) : Коэффициент масштабирования, применяемый к определённым параметрам или слоям модели. Его можно использовать для корректировки общего масштаба операций модели.

Lumina2NextDiT: диффузионная модель с трансформерным каркасом.

forward[[diffusers.Lumina2Transformer2DModel.forward]]

forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_attention_mask: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Источник

Параметры:

hidden_states (torch.Tensor формы (batch_size, in_channels, height, width)) : Входные hidden_states.

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

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.

encoder_attention_mask (torch.Tensor) : Маска, применяемая к encoder_hidden_states во время внимания.

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 Lumina2Transformer2DModel.

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.