diffusers/main/vi/api/models/cogview3plus_transformer2d.md

CogView3PlusTransformer2DModel

Một mô hình Diffusion Transformer cho dữ liệu 2D từ CogView3Plus đã được giới thiệu trong CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion bởi Đại học Thanh Hoa & ZhipuAI.

Mô hình có thể được tải bằng đoạn mã sau.

from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)

Nguồn

Tham số:

patch_size (int, mặc định là 2) : Kích thước của các patch được sử dụng trong lớp nhúng patch.

in_channels (int, mặc định là 16) : Số lượng kênh trong đầu vào.

num_layers (int, mặc định là 30) : Số lượng lớp khối Transformer cần sử dụng.

attention_head_dim (int, mặc định là 40) : Số lượng kênh trong mỗi head.

num_attention_heads (int, mặc định là 64) : Số lượng đầu (heads) được sử dụng cho cơ chế chú ý đa đầu (multi-head attention).

out_channels (int, mặc định là 16) : Số lượng kênh trong đầu ra.

text_embed_dim (int, mặc định là 4096) : Kích thước chiều đầu vào của các vector nhúng văn bản từ bộ mã hóa văn bản.

time_embed_dim (int, mặc định là 512) : Kích thước chiều đầu ra của các embedding bước thời gian.

condition_dim (int, mặc định là 256) : Kích thước embedding của các điều kiện độ phân giải phong cách SDXL đầu vào (original_size, target_size, crop_coords).

pos_embed_max_size (int, mặc định là 128) : Độ phân giải tối đa của các nhúng vị trí, từ đó các lát cắt có hình dạng H x W được lấy và cộng vào các latent đã chia patch của đầu vào, trong đó H và W lần lượt là chiều cao và chiều rộng của latent. Giá trị 128 có nghĩa là chiều cao và chiều rộng tối đa được hỗ trợ cho việc tạo ảnh là 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, mặc định là 128) : Độ phân giải cơ bản của latents đầu vào. Nếu chiều cao/chiều rộng không được cung cấp trong quá trình tạo, giá trị này được sử dụng để xác định độ phân giải theo sample_size * vae_scale_factor => 128 * 8 => 1024

Mô hình Transformer được giới thiệu trong CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion.

forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)

Nguồn

Tham số:

hidden_states (torch.Tensor) : hidden_states đầu vào có hình dạng (batch size, channel, height, width).

encoder_hidden_states (torch.Tensor) : Các embedding điều kiện (các embedding được tính toán từ các điều kiện đầu vào như prompts) có hình dạng (batch_size, sequence_len, text_embed_dim)

timestep (torch.LongTensor) : Dùng để chỉ bước khử nhiễu.

original_size (torch.Tensor) : CogView3 sử dụng micro-conditioning kiểu SDXL cho kích thước ảnh gốc như đã mô tả trong mục 2.2 của https://huggingface.co/papers/2307.01952.

target_size (torch.Tensor) : CogView3 sử dụng micro-conditioning kiểu SDXL cho kích thước ảnh đích như đã mô tả trong mục 2.2 của https://huggingface.co/papers/2307.01952.

crop_coords (torch.Tensor) : CogView3 sử dụng micro-conditioning kiểu SDXL cho tọa độ crop như đã mô tả trong mục 2.2 của https://huggingface.co/papers/2307.01952.

return_dict (bool, tùy chọn, mặc định là True) : Có nên trả về một ~models.transformer_2d.Transformer2DModelOutput thay vì một tuple thông thường hay không.

Trả về: torch.Tensor hoặc ~models.transformer_2d.Transformer2DModelOutput

Các latents đã khử nhiễu sử dụng các đầu vào được cung cấp làm điều kiện.

Phương thức forward của CogView3PlusTransformer2DModel.

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

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

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

Nguồn

Tham số:

sample (torch.Tensor có shape (batch_size, num_channels, height, width) hoặc (batch size, num_vector_embeds - 1, num_latent_pixels) nếu Transformer2DModel là discrete) : Đầu ra của hidden states được điều kiện bởi đầu vào encoder_hidden_states. Nếu là discrete, trả về các phân phối xác suất cho các latent pixels chưa bị nhiễu.

Đầu ra của Transformer2DModel.