Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /ru /api /models /qwenimage_transformer2d.md

mishig

3 days ago

preview code

download

raw

7.39 kB

# QwenImageTransformer2DModel

Модель можно загрузить с помощью следующего фрагмента кода.

```python
from diffusers import QwenImageTransformer2DModel
transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)
```

## QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

#### diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L748)

**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]]

```python
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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L868)

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

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]]
```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```
[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)
**Параметры:**
sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.
Вывод [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).

Xet Storage Details

Size:: 7.39 kB
Xet hash:: 581c39214925f0e1e131284d9a9f97e91d7dc9e88ca453c34c8c57a5fec00744

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

	# QwenImageTransformer2DModel

	Модель можно загрузить с помощью следующего фрагмента кода.

	```python
	from diffusers import QwenImageTransformer2DModel

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

	## QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

	#### diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L748)

	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_qwenimage.py#L868)

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

	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]]

	```python
	diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
	```

	[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

	Параметры:

	sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

	Вывод [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).