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

TransformerTemporalModel

Video benzeri veriler için bir Transformer modeli.

TransformerTemporalModel[[diffusers.TransformerTemporalModel]]

diffusers.TransformerTemporalModel[[diffusers.TransformerTemporalModel]]

diffusers.TransformerTemporalModel(num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: int | None = None, out_channels: int | None = None, num_layers: int = 1, dropout: float = 0.0, norm_num_groups: int = 32, cross_attention_dim: int | None = None, attention_bias: bool = False, sample_size: int | None = None, activation_fn: str = 'geglu', norm_elementwise_affine: bool = True, double_self_attention: bool = True, positional_embeddings: str | None = None, num_positional_embeddings: int | None = None)

Kaynak

Parametreler:

num_attention_heads (int, isteğe bağlı, varsayılan 16) : Çok başlı dikkat için kullanılacak baş sayısı.

attention_head_dim (int, isteğe bağlı, varsayılan 88) : Her baştaki kanal sayısı.

in_channels (int, isteğe bağlı) : Giriş ve çıkıştaki kanal sayısı (giriş sürekli ise belirtin).

num_layers (int, isteğe bağlı, varsayılan 1) : Kullanılacak Transformer bloğu katman sayısı.

dropout (float, opsiyonel, varsayılan 0.0) : Kullanılacak dropout olasılığı.

cross_attention_dim (int, isteğe bağlı) : Kullanılacak encoder_hidden_states boyutlarının sayısı.

attention_bias (bool, isteğe bağlı) : TransformerBlock dikkatinin bir bias parametresi içermesini yapılandırır.

sample_size (int, isteğe bağlı) : Gizli görüntülerin genişliği (girdi ayrık ise belirtin). Bu, konum gömme sayısını öğrenmek için kullanıldığından eğitim sırasında sabittir.

activation_fn (str, isteğe bağlı, varsayılan "geglu") : Feed-forward'de kullanılacak aktivasyon fonksiyonu. Desteklenen aktivasyon fonksiyonları için diffusers.models.activations.get_activation adresine bakın.

norm_elementwise_affine (bool, isteğe bağlı) : TransformerBlock'ün normalizasyon için öğrenilebilir eleman bazlı afin parametreler kullanıp kullanmayacağını yapılandırır.

double_self_attention (bool, isteğe bağlı) : Her TransformerBlock'ün iki öz-dikkat katmanı içermesi yapılandırılır.

positional_embeddings : (str, isteğe bağlı): Kullanıma geçmeden önce dizi girdisine uygulanacak konumsal gömme türü.

num_positional_embeddings : (int, isteğe bağlı): Pozisyonel gömme uygulamak için kullanılan dizinin maksimum uzunluğu.

Video benzeri veriler için bir Transformer modeli.

forward[[diffusers.TransformerTemporalModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: typing.Optional[torch.LongTensor] = None, timestep: typing.Optional[torch.LongTensor] = None, class_labels: LongTensor = None, num_frames: int = 1, cross_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Kaynak

Parametreler:

hidden_states (torch.LongTensor, ayrık ise (batch size, num latent pixels) boyutunda, torch.Tensor, sürekli ise (batch size, channel, height, width) boyutunda) : Girdi hidden_states.

encoder_hidden_states ( torch.LongTensor, şekli (batch size, encoder_hidden_states dim), isteğe bağlı) : Çapraz dikkat katmanı için koşullu gömme (embedding) değerleri. Verilmezse, çapraz dikkat varsayılan olarak kendine dikkat (self-attention) olarak çalışır.

timestep ( torch.LongTensor, isteğe bağlı) : Gürültü azaltma adımını belirtmek için kullanılır. AdaLayerNorm içinde gömme olarak uygulanacak isteğe bağlı zaman adımı.

class_labels ( torch.LongTensor, şekli (batch size, num classes), isteğe bağlı) : Sınıf etiketi koşullandırmasını belirtmek için kullanılır. AdaLayerZeroNorm içinde gömme olarak uygulanacak isteğe bağlı sınıf etiketleri.

num_frames (int, isteğe bağlı, varsayılan 1) : Her partide işlenecek kare sayısı. Bu, gizli durumların yeniden şekillendirilmesinde kullanılır.

cross_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 TransformerTemporalModelOutput döndürülecek mi?

Dönüş: TransformerTemporalModelOutput veya tuple

return_dict True ise, TransformerTemporalModelOutput döndürülür; aksi halde ilk öğesi örnek tensörü olan bir tuple döndürülür.

TransformerTemporal ileri yöntemi.

TransformerTemporalModelOutput[[diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput]]

diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput[[diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput]]

diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput(sample: Tensor)

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size x num_frames, num_channels, height, width)) : encoder_hidden_states girdisine koşullu gizli durum çıktısı.

TransformerTemporalModel'ün çıktısı.