diffusers/main/ru/api/models/lumina_nextdit2d.md

LuminaNextDiT2DModel

Версия модели Diffusion Transformer для 2D-данных от Lumina-T2X.

LuminaNextDiT2DModel[[diffusers.LuminaNextDiT2DModel]]

diffusers.LuminaNextDiT2DModel[[diffusers.LuminaNextDiT2DModel]]

diffusers.LuminaNextDiT2DModel(sample_size: int = 128, patch_size: int | None = 2, in_channels: int | None = 4, hidden_size: int | None = 2304, num_layers: int | None = 32, num_attention_heads: int | None = 32, num_kv_heads: int | None = None, multiple_of: int | None = 256, ffn_dim_multiplier: float | None = None, norm_eps: float | None = 1e-05, learn_sigma: bool | None = True, qk_norm: bool | None = True, cross_attention_dim: int | None = 2048, scaling_factor: float | None = 1.0)

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.

learn_sigma (bool, необязательный, по умолчанию True) : Указывает, должна ли модель обучать параметр sigma, который может быть связан с неопределённостью или дисперсией в предсказаниях.

qk_norm (bool, необязательный, по умолчанию True) : Указывает, следует ли нормализовать запросы и ключи в механизме внимания.

cross_attention_dim (int, optional, по умолчанию 2048) : Размерность текстовых эмбеддингов. Этот параметр определяет размер текстовых представлений, используемых в модели.

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.

LuminaNextDiT: диффузионная модель с трансформерным каркасом.

Наследуйте ModelMixin и ConfigMixin, чтобы обеспечить совместимость с сэмплером StableDiffusionPipeline из diffusers.

forward[[diffusers.LuminaNextDiT2DModel.forward]]

forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_mask: Tensor, image_rotary_emb: Tensor, cross_attention_kwargs: dict[str, typing.Any] = None, return_dict = True)

Источник

Параметры:

hidden_states (torch.Tensor) : Входной тензор формы (N, C, H, W).

timestep (torch.Tensor) : тензор временных шагов диффузии формы (N,).

encoder_hidden_states (torch.Tensor) : тензор признаков подписей с формой (N, D).

encoder_mask (torch.Tensor) : тензор масок подписей формы (N, L).

image_rotary_emb (torch.Tensor) : Предварительно вычисленные вращательные позиционные эмбеддинги.

cross_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: ~models.transformer_2d.Transformer2DModelOutput или tuple

Если return_dict равно True, возвращается ~models.transformer_2d.Transformer2DModelOutput, в противном случае возвращается обычный tuple.

Прямой проход LuminaNextDiT.