diffusers/main/ru/api/models/ovisimage_transformer2d.md

OvisImageTransformer2DModel

Модель можно загрузить с помощью следующего фрагмента кода.

from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)

OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple[int, int, int] = (16, 56, 56))

Источник

Параметры:

patch_size (int, по умолчанию 1) : Размер патча для разбиения входных данных на небольшие патчи.

in_channels (int, по умолчанию 64) : количество каналов на входе.

out_channels (int, необязательный, по умолчанию None) : Количество каналов на выходе. Если не указано, по умолчанию используется in_channels.

num_layers (int, по умолчанию 6) : Количество используемых блоков dual stream DiT.

num_single_layers (int, по умолчанию 27) : Количество слоев однопоточных блоков DiT, которые следует использовать.

attention_head_dim (int, по умолчанию 128) : Количество измерений, используемых для каждой головы внимания.

num_attention_heads (int, по умолчанию 24) : Количество используемых голок внимания.

joint_attention_dim (int, по умолчанию 2048) : Количество измерений, используемых для совместного внимания (размерность встраивания/канала encoder_hidden_states).

axes_dims_rope (tuple[int], по умолчанию (16, 56, 56)) : Размеры, используемые для вращательных позиционных эмбеддингов.

Модель Transformer, представленная в Ovis-Image.

Справочник: https://github.com/AIDC-AI/Ovis-Image

forward[[diffusers.OvisImageTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, timestep: LongTensor = None, img_ids: Tensor = None, txt_ids: Tensor = None, joint_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Источник

Параметры:

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

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

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

img_ids : (torch.Tensor): идентификаторы позиций для токенов изображения.

txt_ids (torch.Tensor) : идентификаторы позиций для текстовых токенов.

joint_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 OvisImageTransformer2DModel.