Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ru /api /models /ovisimage_transformer2d.md

mishig

3 days ago

preview code

download

raw

4.99 kB

# OvisImageTransformer2DModel

Модель можно загрузить с помощью следующего фрагмента кода.

```python
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]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**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]]
```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476)
**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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

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](/docs/diffusers/main/ru/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).

Xet Storage Details

Size:: 4.99 kB
Xet hash:: 8ad73c6cf95dd86163f416b170ebbe0fa15c9d3ce87021b0bf03efc80123e8ca

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

	# OvisImageTransformer2DModel

	Модель можно загрузить с помощью следующего фрагмента кода.

	```python
	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

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

	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](/docs/diffusers/main/ru/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).