Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /tr /api /models /controlnet_hunyuandit.md

mishig

about 17 hours ago

preview code

download

raw

13 kB

# HunyuanDiT2DControlNetModel

HunyuanDiT2DControlNetModel, [Hunyuan-DiT](https://huggingface.co/papers/2405.08748) için ControlNet'in bir uygulamasıdır.

ControlNet, Lvmin Zhang, Anyi Rao ve Maneesh Agrawala tarafından [Adding Conditional Control to Text-to-Image Diffusion Models](https://huggingface.co/papers/2302.05543) makalesinde tanıtılmıştır.

Bir ControlNet modeli ile, Hunyuan-DiT üretimini koşullandırmak ve kontrol etmek için ek bir kontrol görseli sağlayabilirsiniz. Örneğin, bir derinlik haritası sağlarsanız, ControlNet modeli derinlik haritasındaki uzamsal bilgileri koruyan bir görsel üretir. Bu, görsel üretim sürecini kontrol etmenin daha esnek ve doğru bir yoludur.

Makalenin özeti şudur:

*ControlNet'i sunuyoruz; bu, büyük, önceden eğitilmiş metinden görüntüye difüzyon modellerine uzamsal koşullandırma kontrolleri eklemek için tasarlanmış bir sinir ağı mimarisidir. ControlNet, üretim için hazır büyük difüzyon modellerini kilitler ve milyarlarca görüntüyle önceden eğitilmiş derin ve sağlam kodlama katmanlarını, çeşitli bir koşullu kontrol seti öğrenmek için güçlü bir omurga olarak yeniden kullanır. Sinir mimarisi, parametreleri sıfırdan kademeli olarak büyüten ve finetuning'i (ince ayar) etkileyebilecek zararlı gürültünün olmasını engelleyen "sıfır konvolüsyonlar" (sıfır başlatılmış konvolüsyon katmanları) ile bağlanır. Stable Diffusion ile tekil veya birden fazla koşul kullanarak, istemlerle (prompt) veya istemsiz olarak kenarlar, derinlik, segmentasyon, insan pozu gibi çeşitli koşullandırma kontrollerini test ediyoruz. ControlNet'lerin eğitiminin küçük (<50k) ve büyük (>1m) veri setleriyle sağlam olduğunu gösteriyoruz. Kapsamlı sonuçlar, ControlNet'in görüntü difüzyon modellerini kontrol etmek için daha geniş uygulamaları kolaylaştırabileceğini göstermektedir.*

Bu kod, Tencent Hunyuan Ekibi tarafından uygulanmıştır. Hunyuan-DiT ControlNet'leri için önceden eğitilmiş kontrol noktalarını [Tencent Hunyuan](https://huggingface.co/Tencent-Hunyuan) adresinde bulabilirsiniz.

## HunyuanDiT2DControlNetModel Yüklemek İçin Örnek

```py
from diffusers import HunyuanDiT2DControlNetModel
import torch
controlnet = HunyuanDiT2DControlNetModel.from_pretrained("Tencent-Hunyuan/HunyuanDiT-v1.1-ControlNet-Diffusers-Pose", dtype=torch.float16)
```

## HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

#### diffusers.HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

```python
diffusers.HunyuanDiT2DControlNetModel(conditioning_channels: int = 3, num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: int | None = None, patch_size: int | None = None, activation_fn: str = 'gelu-approximate', sample_size = 32, hidden_size = 1152, transformer_num_layers: int = 40, mlp_ratio: float = 4.0, cross_attention_dim: int = 1024, cross_attention_dim_t5: int = 2048, pooled_projection_dim: int = 1024, text_len: int = 77, text_len_t5: int = 256, use_style_cond_and_image_meta_size: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L40)

#### forward[[diffusers.HunyuanDiT2DControlNetModel.forward]]

```python
forward(hidden_states, timestep, controlnet_cond: Tensor, conditioning_scale: float = 1.0, encoder_hidden_states = None, text_embedding_mask = None, encoder_hidden_states_t5 = None, text_embedding_mask_t5 = None, image_meta_size = None, style = None, image_rotary_emb = None, return_dict = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L215)

**Parametreler:**

hidden_states (`torch.Tensor`, şekli `(batch size, dim, height, width)`) : Girdi tensörü.
timestep ( `torch.LongTensor`, *isteğe bağlı*) : Gürültü azaltma adımını belirtmek için kullanılır.
controlnet_cond ( `torch.Tensor` ) : ControlNet için koşullandırma girdisi.

conditioning_scale ( `float` ) : Koşullandırma ölçeğini belirtir.
encoder_hidden_states ( `torch.Tensor`, şekli `(batch size, sequence len, embed dims)`, *opsiyonel*) : Çapraz dikkat katmanı için koşullu gömme değerleri. Bu, `BertModel` çıktısıdır.
text_embedding_mask : torch.Tensor `encoder_hidden_states` uygulanan, şekli `(batch, key_tokens)` olan bir dikkat maskesi. Bu, `BertModel` çıktısıdır.

encoder_hidden_states_t5 ( `torch.Tensor`, şekli `(batch size, sequence len, embed dims)`, *opsiyonel*) : Çapraz dikkat katmanı için koşullu gömme (embedding) değerleri. Bu, T5 Metin Kodlayıcısının (Text Encoder) çıktısıdır.
text_embedding_mask_t5 : torch.Tensor `encoder_hidden_states` uygulanan, şekli `(batch, key_tokens)` olan bir dikkat maskesi. Bu, T5 Metin Kodlayıcısının çıktısıdır.

image_meta_size (torch.Tensor) : Koşullu gömme, görüntü boyutlarını belirtir

style : torch.Tensor: Stili gösteren koşullu gömme

image_rotary_emb (`torch.Tensor`) : Dikkat hesabı sırasında sorgu ve anahtar tensörlerine uygulanacak görüntü döner gömme değerleri.

return_dict : bool Bir sözlük döndürülüp döndürülmeyeceğini belirtir.
**Dönüş:**
`return_dict` True ise, `HunyuanControlNetOutput` döndürülür; aksi halde, ilk öğesi ControlNet blok örneklerinin listesi olan bir `tuple` döndürülür.

[HunyuanDiT2DControlNetModel](/docs/diffusers/main/tr/api/models/controlnet_hunyuandit#diffusers.HunyuanDiT2DControlNetModel) ileri yöntemi.

#### set_attn_processor[[diffusers.HunyuanDiT2DControlNetModel.set_attn_processor]]

```python
set_attn_processor(processor: diffusers.models.attention_processor.AttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor2_0 | diffusers.models.attention_processor.JointAttnProcessor2_0 | diffusers.models.attention_processor.PAGJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 | diffusers.models.attention_processor.FusedJointAttnProcessor2_0 | diffusers.models.attention_processor.AllegroAttnProcessor2_0 | diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.XFormersAttnAddedKVProcessor | diffusers.models.attention_processor.XFormersAttnProcessor | diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 | diffusers.models.attention_processor.AttnProcessorNPU | diffusers.models.attention_processor.AttnProcessor2_0 | diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 | diffusers.models.attention_processor.MochiAttnProcessor2_0 | diffusers.models.attention_processor.StableAudioAttnProcessor2_0 | diffusers.models.attention_processor.HunyuanAttnProcessor2_0 | diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.LuminaAttnProcessor2_0 | diffusers.models.attention_processor.FusedAttnProcessor2_0 | diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 | diffusers.models.attention_processor.SlicedAttnProcessor | diffusers.models.attention_processor.SlicedAttnAddedKVProcessor | diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleLinearAttention | diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleAttentionProjection | diffusers.models.attention_processor.IPAdapterAttnProcessor | diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 | diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor | diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.LoRAAttnProcessor | diffusers.models.attention_processor.LoRAAttnProcessor2_0 | diffusers.models.attention_processor.LoRAXFormersAttnProcessor | diffusers.models.attention_processor.LoRAAttnAddedKVProcessor | dict[str, diffusers.models.attention_processor.AttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor | diffusers.models.attention_processor.AttnAddedKVProcessor2_0 | diffusers.models.attention_processor.JointAttnProcessor2_0 | diffusers.models.attention_processor.PAGJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 | diffusers.models.attention_processor.FusedJointAttnProcessor2_0 | diffusers.models.attention_processor.AllegroAttnProcessor2_0 | diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0 | diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 | diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU | diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 | diffusers.models.attention_processor.XFormersAttnAddedKVProcessor | diffusers.models.attention_processor.XFormersAttnProcessor | diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 | diffusers.models.attention_processor.AttnProcessorNPU | diffusers.models.attention_processor.AttnProcessor2_0 | diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 | diffusers.models.attention_processor.MochiAttnProcessor2_0 | diffusers.models.attention_processor.StableAudioAttnProcessor2_0 | diffusers.models.attention_processor.HunyuanAttnProcessor2_0 | diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 | diffusers.models.attention_processor.LuminaAttnProcessor2_0 | diffusers.models.attention_processor.FusedAttnProcessor2_0 | diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor | diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 | diffusers.models.attention_processor.SlicedAttnProcessor | diffusers.models.attention_processor.SlicedAttnAddedKVProcessor | diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleLinearAttention | diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 | diffusers.models.attention_processor.SanaMultiscaleAttentionProjection | diffusers.models.attention_processor.IPAdapterAttnProcessor | diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 | diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor | diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 | diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 | diffusers.models.attention_processor.LoRAAttnProcessor | diffusers.models.attention_processor.LoRAAttnProcessor2_0 | diffusers.models.attention_processor.LoRAXFormersAttnProcessor | diffusers.models.attention_processor.LoRAAttnAddedKVProcessor])
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L141)

**Parametreler:**

processor (`dict` of `AttentionProcessor` or only `AttentionProcessor`) : **tüm** `Attention` katmanları için işlemci olarak ayarlanacak olan örneklenmiş işlemci sınıfı veya işlemci sınıflarının sözlüğü. `processor` bir sözlükse, anahtarın ilgili çapraz dikkat işlemcisine giden yolu tanımlaması gerekir. Eğitilebilir dikkat işlemcileri ayarlanırken bu, kesinlikle önerilir.

Dikkat hesaplaması için kullanılacak dikkat işleyicisini ayarlar.

Xet Storage Details

Size:: 13 kB
Xet hash:: 3864cdd187de936b253610dfcdda909efec8e10a4a066e5ce6a8133064c1a81c

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

	# HunyuanDiT2DControlNetModel

	HunyuanDiT2DControlNetModel, [Hunyuan-DiT](https://huggingface.co/papers/2405.08748) için ControlNet'in bir uygulamasıdır.

	ControlNet, Lvmin Zhang, Anyi Rao ve Maneesh Agrawala tarafından [Adding Conditional Control to Text-to-Image Diffusion Models](https://huggingface.co/papers/2302.05543) makalesinde tanıtılmıştır.

	Bir ControlNet modeli ile, Hunyuan-DiT üretimini koşullandırmak ve kontrol etmek için ek bir kontrol görseli sağlayabilirsiniz. Örneğin, bir derinlik haritası sağlarsanız, ControlNet modeli derinlik haritasındaki uzamsal bilgileri koruyan bir görsel üretir. Bu, görsel üretim sürecini kontrol etmenin daha esnek ve doğru bir yoludur.

	Makalenin özeti şudur:

	ControlNet'i sunuyoruz; bu, büyük, önceden eğitilmiş metinden görüntüye difüzyon modellerine uzamsal koşullandırma kontrolleri eklemek için tasarlanmış bir sinir ağı mimarisidir. ControlNet, üretim için hazır büyük difüzyon modellerini kilitler ve milyarlarca görüntüyle önceden eğitilmiş derin ve sağlam kodlama katmanlarını, çeşitli bir koşullu kontrol seti öğrenmek için güçlü bir omurga olarak yeniden kullanır. Sinir mimarisi, parametreleri sıfırdan kademeli olarak büyüten ve finetuning'i (ince ayar) etkileyebilecek zararlı gürültünün olmasını engelleyen "sıfır konvolüsyonlar" (sıfır başlatılmış konvolüsyon katmanları) ile bağlanır. Stable Diffusion ile tekil veya birden fazla koşul kullanarak, istemlerle (prompt) veya istemsiz olarak kenarlar, derinlik, segmentasyon, insan pozu gibi çeşitli koşullandırma kontrollerini test ediyoruz. ControlNet'lerin eğitiminin küçük (<50k) ve büyük (>1m) veri setleriyle sağlam olduğunu gösteriyoruz. Kapsamlı sonuçlar, ControlNet'in görüntü difüzyon modellerini kontrol etmek için daha geniş uygulamaları kolaylaştırabileceğini göstermektedir.

	Bu kod, Tencent Hunyuan Ekibi tarafından uygulanmıştır. Hunyuan-DiT ControlNet'leri için önceden eğitilmiş kontrol noktalarını [Tencent Hunyuan](https://huggingface.co/Tencent-Hunyuan) adresinde bulabilirsiniz.

	## HunyuanDiT2DControlNetModel Yüklemek İçin Örnek

	```py
	from diffusers import HunyuanDiT2DControlNetModel
	import torch
	controlnet = HunyuanDiT2DControlNetModel.from_pretrained("Tencent-Hunyuan/HunyuanDiT-v1.1-ControlNet-Diffusers-Pose", dtype=torch.float16)
	```

	## HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

	#### diffusers.HunyuanDiT2DControlNetModel[[diffusers.HunyuanDiT2DControlNetModel]]

	```python
	diffusers.HunyuanDiT2DControlNetModel(conditioning_channels: int = 3, num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: int \| None = None, patch_size: int \| None = None, activation_fn: str = 'gelu-approximate', sample_size = 32, hidden_size = 1152, transformer_num_layers: int = 40, mlp_ratio: float = 4.0, cross_attention_dim: int = 1024, cross_attention_dim_t5: int = 2048, pooled_projection_dim: int = 1024, text_len: int = 77, text_len_t5: int = 256, use_style_cond_and_image_meta_size: bool = True)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L40)

	#### forward[[diffusers.HunyuanDiT2DControlNetModel.forward]]

	```python
	forward(hidden_states, timestep, controlnet_cond: Tensor, conditioning_scale: float = 1.0, encoder_hidden_states = None, text_embedding_mask = None, encoder_hidden_states_t5 = None, text_embedding_mask_t5 = None, image_meta_size = None, style = None, image_rotary_emb = None, return_dict = True)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L215)

	Parametreler:

	hidden_states (`torch.Tensor`, şekli `(batch size, dim, height, width)`) : Girdi tensörü.

	timestep ( `torch.LongTensor`, isteğe bağlı) : Gürültü azaltma adımını belirtmek için kullanılır.

	controlnet_cond ( `torch.Tensor` ) : ControlNet için koşullandırma girdisi.

	conditioning_scale ( `float` ) : Koşullandırma ölçeğini belirtir.

	encoder_hidden_states ( `torch.Tensor`, şekli `(batch size, sequence len, embed dims)`, opsiyonel) : Çapraz dikkat katmanı için koşullu gömme değerleri. Bu, `BertModel` çıktısıdır.

	text_embedding_mask : torch.Tensor `encoder_hidden_states` uygulanan, şekli `(batch, key_tokens)` olan bir dikkat maskesi. Bu, `BertModel` çıktısıdır.

	encoder_hidden_states_t5 ( `torch.Tensor`, şekli `(batch size, sequence len, embed dims)`, opsiyonel) : Çapraz dikkat katmanı için koşullu gömme (embedding) değerleri. Bu, T5 Metin Kodlayıcısının (Text Encoder) çıktısıdır.

	text_embedding_mask_t5 : torch.Tensor `encoder_hidden_states` uygulanan, şekli `(batch, key_tokens)` olan bir dikkat maskesi. Bu, T5 Metin Kodlayıcısının çıktısıdır.

	image_meta_size (torch.Tensor) : Koşullu gömme, görüntü boyutlarını belirtir

	style : torch.Tensor: Stili gösteren koşullu gömme

	image_rotary_emb (`torch.Tensor`) : Dikkat hesabı sırasında sorgu ve anahtar tensörlerine uygulanacak görüntü döner gömme değerleri.

	return_dict : bool Bir sözlük döndürülüp döndürülmeyeceğini belirtir.

	Dönüş:

	`return_dict` True ise, `HunyuanControlNetOutput` döndürülür; aksi halde, ilk öğesi ControlNet blok örneklerinin listesi olan bir `tuple` döndürülür.

	[HunyuanDiT2DControlNetModel](/docs/diffusers/main/tr/api/models/controlnet_hunyuandit#diffusers.HunyuanDiT2DControlNetModel) ileri yöntemi.

	#### set_attn_processor[[diffusers.HunyuanDiT2DControlNetModel.set_attn_processor]]

	```python
	set_attn_processor(processor: diffusers.models.attention_processor.AttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor2_0 \| diffusers.models.attention_processor.JointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 \| diffusers.models.attention_processor.FusedJointAttnProcessor2_0 \| diffusers.models.attention_processor.AllegroAttnProcessor2_0 \| diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.XFormersAttnAddedKVProcessor \| diffusers.models.attention_processor.XFormersAttnProcessor \| diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 \| diffusers.models.attention_processor.AttnProcessorNPU \| diffusers.models.attention_processor.AttnProcessor2_0 \| diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 \| diffusers.models.attention_processor.MochiAttnProcessor2_0 \| diffusers.models.attention_processor.StableAudioAttnProcessor2_0 \| diffusers.models.attention_processor.HunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.LuminaAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAttnProcessor2_0 \| diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 \| diffusers.models.attention_processor.SlicedAttnProcessor \| diffusers.models.attention_processor.SlicedAttnAddedKVProcessor \| diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleLinearAttention \| diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleAttentionProjection \| diffusers.models.attention_processor.IPAdapterAttnProcessor \| diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 \| diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor \| diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAAttnProcessor \| diffusers.models.attention_processor.LoRAAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAXFormersAttnProcessor \| diffusers.models.attention_processor.LoRAAttnAddedKVProcessor \| dict[str, diffusers.models.attention_processor.AttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor \| diffusers.models.attention_processor.AttnAddedKVProcessor2_0 \| diffusers.models.attention_processor.JointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0 \| diffusers.models.attention_processor.FusedJointAttnProcessor2_0 \| diffusers.models.attention_processor.AllegroAttnProcessor2_0 \| diffusers.models.attention_processor.AuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0 \| diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0 \| diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU \| diffusers.models.attention_processor.CogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0 \| diffusers.models.attention_processor.XFormersAttnAddedKVProcessor \| diffusers.models.attention_processor.XFormersAttnProcessor \| diffusers.models.attention_processor.XLAFlashAttnProcessor2_0 \| diffusers.models.attention_processor.AttnProcessorNPU \| diffusers.models.attention_processor.AttnProcessor2_0 \| diffusers.models.attention_processor.MochiVaeAttnProcessor2_0 \| diffusers.models.attention_processor.MochiAttnProcessor2_0 \| diffusers.models.attention_processor.StableAudioAttnProcessor2_0 \| diffusers.models.attention_processor.HunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0 \| diffusers.models.attention_processor.LuminaAttnProcessor2_0 \| diffusers.models.attention_processor.FusedAttnProcessor2_0 \| diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor \| diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0 \| diffusers.models.attention_processor.SlicedAttnProcessor \| diffusers.models.attention_processor.SlicedAttnAddedKVProcessor \| diffusers.models.attention_processor.SanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleLinearAttention \| diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0 \| diffusers.models.attention_processor.SanaMultiscaleAttentionProjection \| diffusers.models.attention_processor.IPAdapterAttnProcessor \| diffusers.models.attention_processor.IPAdapterAttnProcessor2_0 \| diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor \| diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0 \| diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAAttnProcessor \| diffusers.models.attention_processor.LoRAAttnProcessor2_0 \| diffusers.models.attention_processor.LoRAXFormersAttnProcessor \| diffusers.models.attention_processor.LoRAAttnAddedKVProcessor])
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/controlnets/controlnet_hunyuan.py#L141)

	Parametreler:

	processor (`dict` of `AttentionProcessor` or only `AttentionProcessor`) : tüm `Attention` katmanları için işlemci olarak ayarlanacak olan örneklenmiş işlemci sınıfı veya işlemci sınıflarının sözlüğü. `processor` bir sözlükse, anahtarın ilgili çapraz dikkat işlemcisine giden yolu tanımlaması gerekir. Eğitilebilir dikkat işlemcileri ayarlanırken bu, kesinlikle önerilir.

	Dikkat hesaplaması için kullanılacak dikkat işleyicisini ayarlar.