diffusers/main/tr/api/models/mochi_transformer3d.md

MochiTransformer3DModel

Genmo tarafından Mochi-1 Preview ile 3D video benzeri veriler için bir Diffusion Transformer modeli tanıtıldı.

Model, aşağıdaki kod parçasıyla yüklenebilir.

from diffusers import MochiTransformer3DModel

transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel[[diffusers.MochiTransformer3DModel]]

diffusers.MochiTransformer3DModel(patch_size: int = 2, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 48, pooled_projection_dim: int = 1536, in_channels: int = 12, out_channels: int | None = None, qk_norm: str = 'rms_norm', text_embed_dim: int = 4096, time_embed_dim: int = 256, activation_fn: str = 'swiglu', max_sequence_length: int = 256)

Kaynak

Parametreler:

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

num_attention_heads (int, varsayılan 24) : Çok başlı dikkat için kullanılacak baş sayısı.

attention_head_dim (int, varsayılan 128) : Her baştaki kanal sayısı.

num_layers (int, varsayılan 48) : Kullanılacak Transformer bloğu katman sayısı.

in_channels (int, varsayılan 12) : Girdideki kanal sayısı.

out_channels (int, isteğe bağlı, varsayılan None) : Çıktıdaki kanal sayısı.

qk_norm (str, varsayılan "rms_norm") : Kullanılacak normalizasyon katmanı.

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

time_embed_dim (int, varsayılan 256) : Zaman adımları gömme çıktısının boyutu.

activation_fn (str, varsayılan "swiglu") : Feed-forward'de kullanılacak aktivasyon fonksiyonu.

max_sequence_length (int, varsayılan 256) : Desteklenen metin gömme dizilerinin maksimum uzunluğu.

Mochi'de tanıtılan, video benzeri veriler için bir Transformer modeli.

forward[[diffusers.MochiTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Kaynak

Parametreler:

hidden_states (torch.Tensor, şekli (batch_size, num_channels, num_frames, 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.

encoder_attention_mask (torch.Tensor) : Dikkat sırasında encoder_hidden_states uygulanan maske.

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.

Dönüş: torch.Tensor

(batch_size, out_channels, num_frames, height, width) biçiminde gürültüsü azaltılmış çıktı tensörü.

MochiTransformer3DModel 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.