diffusers/main/vi/api/models/sd3_transformer2d.md

Mô hình Transformer SD3

Mô hình Transformer được giới thiệu trong Stable Diffusion 3. Điểm mới của nó nằm ở khối transformer MMDiT.

SD3Transformer2DModel[[diffusers.SD3Transformer2DModel]]

diffusers.SD3Transformer2DModel[[diffusers.SD3Transformer2DModel]]

diffusers.SD3Transformer2DModel(sample_size: int = 128, patch_size: int = 2, in_channels: int = 16, num_layers: int = 18, attention_head_dim: int = 64, num_attention_heads: int = 18, joint_attention_dim: int = 4096, caption_projection_dim: int = 1152, pooled_projection_dim: int = 2048, out_channels: int = 16, pos_embed_max_size: int = 96, dual_attention_layers: tuple[int, ...] = (), qk_norm: str | None = None)

Nguồn

Tham số:

sample_size (int, mặc định là 128) : Độ rộng/chiều cao của các latents. Giá trị này được cố định trong quá trình huấn luyện vì nó được dùng để học một số lượng các position embeddings.

patch_size (int, mặc định là 2) : Kích thước patch để chuyển dữ liệu đầu vào thành các patch nhỏ.

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

num_layers (int, mặc định là 18) : Số lượng lớp khối transformer cần sử dụng.

attention_head_dim (int, mặc định là 64) : Số lượng kênh trong mỗi head.

num_attention_heads (int, mặc định là 18) : Số lượng đầu được sử dụng cho chú ý đa đầu (multi-head attention).

joint_attention_dim (int, mặc định là 4096) : Kích thước embedding cần sử dụng cho chú ý kết hợp văn bản-hình ảnh.

caption_projection_dim (int, mặc định là 1152) : Kích thước embedding của các embedding mô tả.

pooled_projection_dim (int, mặc định là 2048) : Kích thước embedding của các phép chiếu văn bản đã được pool.

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

pos_embed_max_size (int, mặc định là 96) : Chiều cao/chiều rộng tiềm ẩn tối đa của các nhúng vị trí.

dual_attention_layers (tuple[int, ...], mặc định là ()) : Số lượng khối transformer dual-stream cần sử dụng.

qk_norm (str, tùy chọn, mặc định là None) : Phương pháp chuẩn hóa được sử dụng cho query và key trong lớp attention. Nếu là None, sẽ không sử dụng chuẩn hóa.

Mô hình Transformer được giới thiệu trong Stable Diffusion 3.

enable_forward_chunking[[diffusers.SD3Transformer2DModel.enable_forward_chunking]]

enable_forward_chunking(chunk_size: int | None = None, dim: int = 0)

Nguồn

Tham số:

chunk_size (int, optional) : Kích thước chunk của các lớp feed-forward. Nếu không được chỉ định, lớp feed-forward sẽ được thực hiện riêng lẻ trên mỗi tensor có dim=dim.

dim (int, optional, mặc định là 0) : Chiều mà phép tính feed-forward nên được chia nhỏ. Chọn giữa dim=0 (batch) hoặc dim=1 (chiều dài chuỗi).

Đặt bộ xử lý chú ý để sử dụng chia nhỏ feed forward.

forward[[diffusers.SD3Transformer2DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, pooled_projections: Tensor = None, timestep: LongTensor = None, block_controlnet_hidden_states: list = None, joint_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, skip_layers: list[int] | None = None)

Nguồn

Tham số:

hidden_states (torch.Tensor có hình dạng (batch size, channel, 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.

pooled_projections (torch.Tensor có hình dạng (batch_size, projection_dim)) : Các embedding được chiếu từ các embedding của các điều kiện đầu vào.

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

block_controlnet_hidden_states (list của torch.Tensor) : Một danh sách các tensor, nếu được chỉ định, sẽ được cộng vào phần dư (residuals) của các khối transformer.

joint_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.

skip_layers (list của int, optional) : Một danh sách các chỉ số lớp cần bỏ qua trong quá trình truyền thẳng.

Trả về:

Nếu return_dict là True, một ~models.transformer_2d.Transformer2DModelOutput sẽ được trả về, ngược lại một tuple trong đó phần tử đầu tiên là tensor mẫu.

Phương thức forward của SD3Transformer2DModel.

fuse_qkv_projections[[diffusers.SD3Transformer2DModel.fuse_qkv_projections]]

fuse_qkv_projections()

Nguồn

Bật các phép chiếu QKV đã hợp nhất. Đối với các module tự chú ý, tất cả các ma trận chiếu (tức là truy vấn, khóa, giá trị) đều được hợp nhất. Đối với các module chú ý chéo, các ma trận chiếu khóa và giá trị được hợp nhất.

> API này 🧪 đang ở giai đoạn thử nghiệm.

unfuse_qkv_projections[[diffusers.SD3Transformer2DModel.unfuse_qkv_projections]]

unfuse_qkv_projections()

Nguồn

Tắt dự phóng QKV hợp nhất nếu đã được bật.

> API này 🧪 đang ở giai đoạn thử nghiệm.