Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /v0.43.0 /fr /api /models /cogview3plus_transformer2d.md

mishig

2 days ago

preview code

download

raw

6.16 kB

# CogView3PlusTransformer2DModel

Un modèle Diffusion Transformer pour des données 2D de [CogView3Plus](https://github.com/THUDM/CogView3) a été introduit dans [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) par l'Université Tsinghua & ZhipuAI.

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

```python
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]]

```python
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](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

**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](https://huggingface.co/papers/2403.05121).

#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

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

[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

**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](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](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](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](/docs/diffusers/v0.43.0/fr/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]
#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]
```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```
[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/modeling_outputs.py#L21)
**Paramètres :**
sample (`torch.Tensor` de forme `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/v0.43.0/fr/api/models/transformer2d#diffusers.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](/docs/diffusers/v0.43.0/fr/api/models/transformer2d#diffusers.Transformer2DModel).

Xet Storage Details

Size:: 6.16 kB
Xet hash:: 946971aaa0a31a92adfac618a6b509eac63bbf3956d6e58eb1a05e1e93e0a977

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# CogView3PlusTransformer2DModel

	Un modèle Diffusion Transformer pour des données 2D de [CogView3Plus](https://github.com/THUDM/CogView3) a été introduit dans [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) par l'Université Tsinghua & ZhipuAI.

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

	```python
	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]]

	```python
	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](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

	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](https://huggingface.co/papers/2403.05121).

	#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

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

	[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

	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](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](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](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](/docs/diffusers/v0.43.0/fr/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

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

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

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

	[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/modeling_outputs.py#L21)

	Paramètres :

	sample (`torch.Tensor` de forme `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/v0.43.0/fr/api/models/transformer2d#diffusers.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](/docs/diffusers/v0.43.0/fr/api/models/transformer2d#diffusers.Transformer2DModel).