Buckets:
| # SequentialPipelineBlocks | |
| [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) هي نوع متعدد الكتل يجمع بين كتل [ModularPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) أخرى في تسلسل. تتدفق البيانات خطياً من كتلة إلى التالية باستخدام `inputs` و`intermediate_outputs`. تمثل كل كتلة في [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) عادةً خطوة في خط الأنابيب، ومن خلال دمجها، تبني خط أنابيب تدريجياً. | |
| يُظهرك هذا الدليل على كيفية ربط كتلتين في [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). | |
| أنشئ بلوكين من [ModularPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks). البلوك الأول، `InputBlock`، يُخرج قيمة `batch_size`، والبلوك الثاني، `ImageEncoderBlock`، يستخدم `batch_size` كـ`inputs`. | |
| ```py | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class InputBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="prompt", type_hint=list, description="list of text prompts"), | |
| InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="batch_size", description="calculated batch size"), | |
| ] | |
| @property | |
| def description(self): | |
| return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument." | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| batch_size = len(block_state.prompt) | |
| block_state.batch_size = batch_size * block_state.num_images_per_prompt | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| ```py | |
| import torch | |
| from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam | |
| class ImageEncoderBlock(ModularPipelineBlocks): | |
| @property | |
| def inputs(self): | |
| return [ | |
| InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"), | |
| InputParam(name="batch_size", type_hint=int), | |
| ] | |
| @property | |
| def intermediate_outputs(self): | |
| return [ | |
| OutputParam(name="image_latents", description="latents representing the image"), | |
| ] | |
| @property | |
| def description(self): | |
| return "Encode raw image into its latent presentation" | |
| def __call__(self, components, state): | |
| block_state = self.get_block_state(state) | |
| # Simulate processing the image | |
| # This will change the state of the image from a PIL image to a tensor for all blocks | |
| block_state.image = torch.randn(1, 3, 512, 512) | |
| block_state.batch_size = block_state.batch_size * 2 | |
| block_state.image_latents = torch.randn(1, 4, 64, 64) | |
| self.set_block_state(state, block_state) | |
| return components, state | |
| ``` | |
| اربط الكتلتين عن طريق تعريف [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). اذكر أمثلة الكتل في `block_classes` وأسمائها المقابلة في `block_names`. تُنفَّذ الكتل بالترتيب الذي تظهر به في `block_classes`، ويتدفق البيانات من كتلة إلى التالية عبر [PipelineState](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState). | |
| ```py | |
| class ImageProcessingStep(SequentialPipelineBlocks): | |
| """ | |
| # auto_docstring | |
| """ | |
| model_name = "my_model" | |
| block_classes = [InputBlock(), ImageEncoderBlock()] | |
| block_names = ["input", "image_encoder"] | |
| @property | |
| def description(self): | |
| return ( | |
| "Process text prompts and images for the pipeline. It:\n" | |
| " - Determines the batch size from the prompts.\n" | |
| " - Encodes the image into latent space." | |
| ) | |
| ``` | |
| عند إنشاء [SequentialPipelineBlocks](/docs/diffusers/v0.43.0/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks)، تُجمَّع خصائص مثل `inputs` و`intermediate_outputs` و`expected_components` تلقائيًا من الكتل الفرعية، لذا لا حاجة إلى تعريفها مرة أخرى. | |
| هناك بعض الخصائص التي يجب عليك ضبطها: | |
| - `description`: ننصح بإضافة وصف للكتلة المجمّعة لتوضيح ما يفعله الإجراء المدمج. | |
| - `model_name`: يُشتق هذا تلقائيًا من الكتل الفرعية، لكنه ليس دائمًا صحيحًا، لذا قد تحتاج إلى تجاوز قيمته. | |
| - `outputs`: افتراضيًا، تكون هذه القيمة هي نفسها `intermediate_outputs`، لكن يمكنك ضبطها يدويًا للتحكم في القيم التي تظهر في المستند. وهذا مفيد لعرض المخرجات النهائية فقط بدلاً من جميع القيم الوسيطة. | |
| تُستخدم هذه الخصائص، إلى جانب `inputs` و`intermediate_outputs` و`expected_components` المجمّعة، لتوليد خاصية `doc` تلقائيًا. | |
| اطبع كتلة `ImageProcessingStep` لفحص كتلها الفرعية، واستخدم `doc` للحصول على ملخص كامل لمُدخلات ومُخرجات ومكوّنات الكتلة. | |
| ```py | |
| blocks = ImageProcessingStep() | |
| print(blocks) | |
| print(blocks.doc) | |
| ``` | |
Xet Storage Details
- Size:
- 6.06 kB
- Xet hash:
- b50682a0f2c948117f1253c2097497324cdd08f6d42a29bfc208b516c66be206
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.