Buckets:

hf-doc-build/doc / diffusers /main /ru /api /models /qwenimage21_transformer2d.md
mishig's picture
|
download
raw
13.2 kB

QwenImage21Transformer2DModel

Однопоточный трансформер, используемый в Qwen-Image 2.1. Латенты текста и изображения разделяют одну последовательность, а единая общая проекция modulation питает каждый блок.

Два поведения отличают трансформеры QwenImage 2.1 от более ранних версий:

  • Блочное каузальное внимание — внимание следует правилу (q_idx >= kv_idx) or same_image_block, поэтому совместная последовательность является каузальной, а каждый блок изображений остаётся внутренне двунаправленным. QwenImage21AttnProcessor реализует это как один вызов внимания на каждый префиксный сегмент и является вариантом по умолчанию. QwenImage21FlexAttnProcessor реализует это как единый вызов flex_attention, управляемый BlockMask, что быстрее после компиляции модели. Оба дают одинаковые результаты.
  • causal_condition — токены текста и условного изображения модулируются из t = 0, а не из сэмплированного шага времени. Их активации не зависят от шага денойзинга, поэтому ключи и значения этого префикса можно кэшировать между шагами через аргумент kv_cache.

Загрузите его с помощью:

import torch
from diffusers import QwenImage21Transformer2DModel

transformer = QwenImage21Transformer2DModel.from_pretrained(
    "Qwen/Qwen-Image-2.1", subfolder="transformer", dtype=torch.bfloat16
)

QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]

diffusers.QwenImage21Transformer2DModel[[diffusers.QwenImage21Transformer2DModel]]

diffusers.QwenImage21Transformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 32, attention_head_dim: int = 128, num_attention_heads: int = 32, context_in_dim: int = 4096, mlp_ratio: int = 3, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), eps: float = 1e-06, causal_condition: bool = True)

Источник

Параметры:

patch_size (int, по умолчанию 1) : Длина стороны латентного патча, свёрнутого в размерность каналов. Версия 2.1 потребляет латенты без патчинга.

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

out_channels (int, необязательный, по умолчанию 64) : Количество каналов латентов в выходных данных. Если не указано, используется значение in_channels.

num_layers (int, по умолчанию 32) : Количество однопоточных блоков.

attention_head_dim (int, по умолчанию 128) : Количество каналов на голову внимания.

num_attention_heads (int, по умолчанию 32) : Количество головок внимания.

context_in_dim (int, по умолчанию 4096) : Размерность канала encoder_hidden_states.

mlp_ratio (int, по умолчанию 3) : Коэффициент расширения feed-forward слоя.

axes_dims_rope (tuple[int], по умолчанию (16, 56, 56)) : Размерности для вращений по осям кадра, высоты и ширины.

eps (float, по умолчанию 1e-6) : Значение epsilon для слоёв нормализации.

causal_condition (bool, по умолчанию True) : Модулировать токены текста и условного изображения начиная с t = 0. Обязательно для кэширования KV.

Однопоточный Transformer, используемый в Qwen-Image 2.1.

Латенты текста и изображения разделяют одну последовательность: токены изображения-условия подставляются в текстовый поток на те позиции, которые для них зарезервировал энкодер «зрение-язык», а токены целевого изображения добавляются в конец. Единая общая проекция modulation питает каждый блок, поэтому сами блоки не содержат собственных параметров модуляции.

Две особенности выделяют версию 2.1:

  • Блочное каузальное внимание — внимание следует правилу (q_idx >= kv_idx) or same_image_block, поэтому последовательность является каузальной, а каждый блок изображения остаётся внутренне двунаправленным. Бэкенд внимания flex обеспечивает эффективное внимание в один проход; без него модель использует точный многопроходный prefill на основе SDPA, обрабатывая каждый блок отдельно.
  • causal_condition — токены текста и условного изображения модулируются из t = 0, а не из сэмплированного временного шага, что также делает их активации независимыми от временного шага и позволяет кэшировать их между шагами денойзинга.

build_token_metadata[[diffusers.QwenImage21Transformer2DModel.build_token_metadata]]

build_token_metadata(image_pad_mask: Tensor, img_shapes: list[tuple[int, int, int]])

Источник

Параметры:

image_pad_mask (torch.Tensor) : (seq_len,) bool, True в позициях токенов изображений.

img_shapes (list[tuple[int, int, int]]) : Для каждого изображения — (frame, height, width) в латентных токенах, где сначала идут условные изображения, а целевое изображение — последнее.

Возвращает: tuple[torch.Tensor, torch.Tensor]

image_ids (seq_len,) со значением -1 в позициях текста и уникальным идентификатором для каждого блока изображения, а также target_token_mask (seq_len,), отмечающая токены целевого изображения.

Пометьте каждый токен объединённой последовательности блоком изображения, которому он принадлежит.

Границы блоков определяются количеством токенов в img_shapes, а не последовательностями True в image_pad_mask: два условных изображения, которые случайно оказываются рядом без текста между ними, образуют одну последовательность, но должны оставаться отдельными блоками, иначе они будут обращаться друг к другу двунаправленно.

forward[[diffusers.QwenImage21Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: Tensor, img_shapes: list[list[tuple[int, int, int]]], img_mask: Tensor, encoder_hidden_states_mask: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, kv_cache: diffusers.models.transformers.transformer_qwenimage21.QwenImage21KVCache | None = None, kv_cache_mode: str | None = None, return_dict: bool = True)

Источник

Параметры:

hidden_states (torch.Tensor формы (batch_size, image_sequence_length, in_channels)) : Упакованные латенты, где сначала идут условные изображения, а целевое изображение — последнее.

encoder_hidden_states (torch.Tensor формы (batch_size, text_sequence_length, context_in_dim)) : Векторные представления текста из мультимодального энкодера.

timestep (torch.Tensor) : Текущий шаг денойзинга, масштабированный до [0, 1].

img_shapes (list[list[tuple[int, int, int]]]) : Список по образцам (frame, height, width) в латентных токенах, где сначала идут изображения-условия, а последнее — целевое изображение. Все образцы должны иметь одинаковую структуру.

img_mask (torch.Tensor формы (batch_size, vlm_sequence_length)) : True в слотах изображений энкодера vision-language, каждый из которых соответствует группе 2x2 латентных токенов.

encoder_hidden_states_mask (torch.Tensor, необязательный) : (batch_size, text_sequence_length) bool, отмечающий валидные токены текста. Позиции с заполнением исключаются из внимания.

kv_cache (QwenImage21KVCache, необязательный) : Контейнер для кэша. Передавайте вместе с kv_cache_mode, чтобы включить префиксовое кэширование KV.

kv_cache_mode (str, необязательный) : "extract" для предварительного заполнения кэша (первый шаг денойзинга), "cached" для декодирования из него (последующие шаги). Требует causal_condition=True.

attention_kwargs (dict, необязательный) : Передаётся в обработчики внимания и содержит scale для слоёв LoRA.

return_dict (bool, необязательный, по умолчанию True) : Возвращать ли Transformer2DModelOutput вместо обычного кортежа.

Возвращает: Transformer2DModelOutput или tuple

Transformer2DModelOutput, если return_dict равно True, иначе обычный tuple, первым элементом которого являются денойзанные латенты.

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.

Xet Storage Details

Size:
13.2 kB
·
Xet hash:
c81303f19379ef8be4e0b0e98dad9e1295c59b45f1f4a6db7fe3303cf52986ca

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