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

MochiTransformer3DModel

Một mô hình Diffusion Transformer cho dữ liệu dạng video 3D đã được giới thiệu trong Mochi-1 Preview của Genmo.

Mô hình có thể được tải bằng đoạn mã sau.

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)

Nguồn

Tham số:

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

num_attention_heads (int, mặc định là 24) : Số lượng đầu (heads) được sử dụng cho cơ chế chú ý đa đầu (multi-head attention).

attention_head_dim (int, mặc định là 128) : Số lượng kênh trong mỗi head.

num_layers (int, mặc định là 48) : Số lượng lớp khối Transformer cần sử dụng.

in_channels (int, mặc định là 12) : Số kênh trong đầu vào.

out_channels (int, tuỳ chọn, mặc định là None) : Số lượng kênh trong đầu ra.

qk_norm (str, mặc định là "rms_norm") : Lớp chuẩn hóa cần sử dụng.

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 256) : Kích thước chiều đầu ra của các embedding bước thời gian.

activation_fn (str, mặc định là "swiglu") : Hàm kích hoạt được sử dụng trong feed-forward.

max_sequence_length (int, mặc định là 256) : Độ dài tối đa của chuỗi mà các embedding văn bản được hỗ trợ.

Một mô hình Transformer cho dữ liệu dạng video được giới thiệu trong Mochi.

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)

Nguồn

Tham số:

hidden_states (torch.Tensor có hình dạng (batch_size, num_channels, num_frames, height, width)) : hidden_states đầu vào.

encoder_hidden_states (torch.Tensor có shape (batch_size, sequence_len, embed_dims)) : Các embeddings điều kiện (embeddings được tính từ các điều kiện đầu vào như prompts) cần sử dụng.

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

encoder_attention_mask (torch.Tensor) : Mặt nạ được áp dụng cho encoder_hidden_states trong quá trình chú ý.

attention_kwargs (dict, tùy chọn) : Một từ điển kwargs mà nếu được chỉ định sẽ được truyền đến AttentionProcessor như đã định nghĩa dưới self.processor trong diffusers.models.attention_processor.

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

Tensor đầu ra đã khử nhiễu có hình dạng (batch_size, out_channels, num_frames, height, width).

Phương thức forward của MochiTransformer3DModel.

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.