diffusers/main/ru/api/models/mochi_transformer3d.md

MochiTransformer3DModel

Модель Diffusion Transformer для 3D-видеоподобных данных была представлена в Mochi-1 Preview от Genmo.

Модель можно загрузить с помощью следующего фрагмента кода.

from diffusers import MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 256)

Источник

Параметры:

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

num_attention_heads (int, по умолчанию 24) : Количество головок для использования в механизме внимания с несколькими головками.

attention_head_dim (int, по умолчанию 128) : количество каналов в каждой голове.

num_layers (int, по умолчанию 48) : Количество блоков Transformer, используемых в модели.

in_channels (int, по умолчанию 12) : количество каналов на входе.

out_channels (int, необязательный, по умолчанию None) : Количество каналов на выходе.

qk_norm (str, по умолчанию "rms_norm") : Слой нормализации, который следует использовать.

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

time_embed_dim (int, по умолчанию 256) : Размерность выходного вектора эмбеддингов временных шагов.

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

max_sequence_length (int, по умолчанию 256) : Максимальная поддерживаемая длина последовательности текстовых эмбеддингов.

Модель Transformer для видеоподобных данных, представленная в Mochi.

forward[[diffusers.MochiTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, 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, num_channels, num_frames, 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.

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: torch.Tensor

Тензор выходных данных после шумоподавления с формой (batch_size, out_channels, num_frames, height, width).

Метод forward модели MochiTransformer3DModel.

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.