diffusers/v0.43.0/fr/api/models/cogview3plus_transformer2d.md

CogView3PlusTransformer2DModel

Un modèle Diffusion Transformer pour des données 2D de CogView3Plus a été introduit dans CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion par l'Université Tsinghua & ZhipuAI.

Le modèle peut être chargé à l'aide du fragment de code suivant.

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)

Source

Paramètres :

patch_size (int, par défaut 2) : La taille des patches à utiliser dans la couche d'encodage de patches.

in_channels (int, par défaut 16) : Le nombre de canaux dans l'entrée.

num_layers (int, par défaut 30) : Le nombre de blocs Transformer à utiliser.

attention_head_dim (int, par défaut 40) : Le nombre de canaux dans chaque tête.

num_attention_heads (int, par défaut 64) : Le nombre de têtes à utiliser pour l'attention multi-têtes.

out_channels (int, par défaut 16) : Le nombre de canaux dans la sortie.

text_embed_dim (int, par défaut 4096) : Dimension d'entrée des embeddings de texte issus de l'encodeur de texte.

time_embed_dim (int, par défaut 512) : Dimension de sortie des embeddings de pas de temps.

condition_dim (int, par défaut 256) : La dimension d'incorporation des conditions de résolution de style SDXL en entrée (original_size, target_size, crop_coords).

pos_embed_max_size (int, par défaut 128) : La résolution maximale des embeddings positionnels, à partir de laquelle des tranches de forme H x W sont extraites et ajoutées aux latents patchés en entrée, où H et W sont respectivement la hauteur et la largeur des latents. Une valeur de 128 signifie que la hauteur et la largeur maximales prises en charge pour la génération d’images sont 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, par défaut 128) : La résolution de base des latents d'entrée. Si la hauteur/largeur n'est pas fournie lors de la génération, cette valeur est utilisée pour déterminer la résolution comme sample_size * vae_scale_factor => 128 * 8 => 1024

Le modèle Transformer introduit dans 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)

Source

Paramètres :

hidden_states (torch.Tensor) : hidden_states d'entrée de forme (batch size, channel, height, width).

encoder_hidden_states (torch.Tensor) : Embeddings conditionnels (embeddings calculés à partir des conditions d'entrée telles que les prompts) de forme (batch_size, sequence_len, text_embed_dim)

timestep (torch.LongTensor) : Utilisé pour indiquer l'étape de débruitage.

original_size (torch.Tensor) : CogView3 utilise un micro-conditionnement de type SDXL pour la taille d'image d'origine, comme expliqué dans la section 2.2 de https://huggingface.co/papers/2307.01952.

target_size (torch.Tensor) : CogView3 utilise un micro-conditionnement de type SDXL pour la taille de l'image cible, comme expliqué dans la section 2.2 de https://huggingface.co/papers/2307.01952.

crop_coords (torch.Tensor) : CogView3 utilise un micro-conditionnement de type SDXL pour les coordonnées de recadrage, comme expliqué dans la section 2.2 de https://huggingface.co/papers/2307.01952.

return_dict (bool, facultatif, par défaut True) : Indique s'il faut retourner un ~models.transformer_2d.Transformer2DModelOutput plutôt qu'un simple tuple.

Retourne : torch.Tensor ou ~models.transformer_2d.Transformer2DModelOutput

Les latents débruités en utilisant les entrées fournies comme conditionnement.

La méthode forward du 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)

Source

Paramètres :

sample (torch.Tensor de forme (batch_size, num_channels, height, width) ou (batch size, num_vector_embeds - 1, num_latent_pixels) si Transformer2DModel est discret) : Les états cachés en sortie, conditionnés par l'entrée encoder_hidden_states. Si discret, renvoie les distributions de probabilité pour les pixels latents non bruités.

La sortie de Transformer2DModel.