diffusers/main/ru/api/models/qwenimage_transformer2d.md

QwenImageTransformer2DModel

Модель можно загрузить с помощью следующего фрагмента кода.

from diffusers import QwenImageTransformer2DModel

transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)

QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

diffusers.QwenImageTransformer2DModel(patch_size: int = 2, in_channels: int = 64, out_channels: int | None = 16, num_layers: int = 60, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 3584, guidance_embeds: bool = False, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), zero_cond_t: bool = False, use_additional_t_cond: bool = False, use_layer3d_rope: bool = False)

Источник

Параметры:

patch_size (int, по умолчанию 2) : 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 60) : Количество используемых блоков dual stream DiT.

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 3584) : Количество измерений, используемых для совместного внимания (размерность встраивания/канала encoder_hidden_states).

guidance_embeds (bool, по умолчанию False) : Использовать ли embeddings для guidance в guidance-distilled версии модели.

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

Модель Transformer, представленная в Qwen.

forward[[diffusers.QwenImageTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, encoder_hidden_states_mask: Tensor = None, timestep: LongTensor = None, img_shapes: list[tuple[int, int, int]] | None = None, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, controlnet_block_samples = None, additional_t_cond = 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.

encoder_hidden_states_mask (torch.Tensor формы (batch_size, text_sequence_length), необязательный) : Маска для скрытых состояний кодировщика. Ожидается, что для валидных токенов значение будет 1.0, а для токенов отступов — 0.0. Используется в процессоре внимания, чтобы предотвратить внимание к токенам отступов. Маска может иметь любой паттерн (не только непрерывные валидные токены, за которыми следуют отступы), поскольку она применяется поэлементно во внимании.

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

img_shapes (list[tuple[int, int, int]], необязательный) : Формы изображений для вычисления RoPE.

guidance (torch.Tensor, необязательный) : Тензор управления для условной генерации.

attention_kwargs (dict, необязательный) : Словарь kwargs, который при указании передается в AttentionProcessor, определенный в self.processor в diffusers.models.attention_processor.

controlnet_block_samples (необязательный) : образцы блоков ControlNet для добавления к блокам трансформера.

additional_t_cond (torch.Tensor, необязательный) : Дополнительное условие по шагу времени, добавляемое к эмбеддингу шага времени.

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 QwenTransformer2DModel.

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.