diffusers/main/tr/api/models/cogview4_transformer2d.md

CogView4Transformer2DModel

CogView4'ten 2B veriler için bir Diffusion Transformer modeli

Model, aşağıdaki kod parçasıyla yüklenebilir.

from diffusers import CogView4Transformer2DModel

transformer = CogView4Transformer2DModel.from_pretrained("THUDM/CogView4-6B", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

diffusers.CogView4Transformer2DModel(patch_size: int = 2, in_channels: int = 16, out_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128, rope_axes_dim: tuple = (256, 256))

Kaynak

Parametreler:

patch_size (int, varsayılan 2) : Yama gömme katmanında kullanılacak yamaların boyutu.

in_channels (int, varsayılan 16) : Girdideki kanal sayısı.

num_layers (int, varsayılan 30) : Kullanılacak Transformer bloğu katman sayısı.

attention_head_dim (int, varsayılan 40) : Her baştaki kanal sayısı.

num_attention_heads (int, varsayılan 64) : Çok başlı dikkat için kullanılacak baş sayısı.

out_channels (int, varsayılan 16) : Çıktıdaki kanal sayısı.

text_embed_dim (int, varsayılan 4096) : Metin kodlayıcısından gelen metin gömme girdi boyutu.

time_embed_dim (int, varsayılan 512) : Zaman adımları gömme çıktısının boyutu.

condition_dim (int, varsayılan 256) : Girdi SDXL tarzı çözünürlük koşullarının (original_size, target_size, crop_coords) gömme boyutu.

pos_embed_max_size (int, varsayılan 128) : Konumsal gömme (positional embeddings) için maksimum çözünürlük. Girdi yamalı (patched) latentlere eklenen H x W biçiminde dilimler bu çözünürlükten alınır; burada H ve W sırasıyla latent yükseklik ve genişliktir. 128 değeri, görüntü üretimi için desteklenen maksimum yükseklik ve genişliğin 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048 olduğunu ifade eder.

sample_size (int, varsayılan 128) : Girdi latentlerinin temel çözünürlüğü. Üretim sırasında yükseklik/genişlik sağlanmazsa, bu değer çözünürlüğü sample_size * vae_scale_factor => 128 * 8 => 1024 olarak belirlemek için kullanılır.

forward[[diffusers.CogView4Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, attention_mask: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | list[tuple[torch.Tensor, torch.Tensor]] | None = None)

Kaynak

Parametreler:

hidden_states (torch.Tensor, şekli (batch_size, in_channels, height, width)) : Girdi hidden_states.

encoder_hidden_states (torch.Tensor, şekli (batch_size, sequence_len, embed_dims)) : Kullanılacak koşullu gömlemeler (giriş koşullarından, örneğin istemlerden hesaplanan gömlemeler).

timestep (torch.LongTensor) : Gürültü azaltma adımını belirtmek için kullanılır.

original_size (torch.Tensor) : Orijinal görüntü boyutu koşullandırması.

target_size (torch.Tensor) : Hedef görüntü boyutu koşullandırması.

crop_coords (torch.Tensor) : Kırpma koordinatları koşullandırma.

attention_kwargs (dict, isteğe bağlı) : Belirtilirse, diffusers.models.attention_processor içinde self.processor altında tanımlanan AttentionProcessor'a iletilen bir kwargs sözlüğü.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine ~models.transformer_2d.Transformer2DModelOutput döndürülüp döndürülmediğini belirtir.

attention_mask (torch.Tensor, isteğe bağlı) : Dikkat puanlarına uygulanan maske.

image_rotary_emb (tuple of torch.Tensor, isteğe bağlı) : Ön hesaplanmış döner konumsal gömme (embedding) değerleri.

Dönüş:

return_dict True ise, ~models.transformer_2d.Transformer2DModelOutput döndürülür, aksi takdirde ilk öğesi örnek tensörü olan bir tuple döndürülür.

CogView4Transformer2DModel ileri yöntemi.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

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

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size, num_channels, height, width) veya Transformer2DModel ayrık (discrete) ise (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states girdisine koşullu gizli durum (hidden states) çıktısı. Ayrık (discrete) ise, gürültüsü olmayan (unnoised) gizli (latent) pikseller için olasılık dağılımlarını döndürür.

Transformer2DModel'nin çıktısı.