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

CogView3PlusTransformer2DModel

Model Diffusion Transformer untuk data 2D dari CogView3Plus diperkenalkan dalam CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion oleh Tsinghua University & ZhipuAI.

Model dapat dimuat dengan potongan kode berikut.

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)

Sumber

Parameter:

patch_size (int, defaultnya 2) : Ukuran patch yang akan digunakan di lapisan patch embedding.

in_channels (int, defaultnya 16) : Jumlah channel pada input.

num_layers (int, defaultnya 30) : Jumlah lapisan blok Transformer yang akan digunakan.

attention_head_dim (int, defaultnya 40) : Jumlah channel di setiap head.

num_attention_heads (int, defaultnya 64) : Jumlah kepala yang digunakan untuk multi-head attention.

out_channels (int, defaultnya 16) : Jumlah channel pada output.

text_embed_dim (int, defaultnya 4096) : Dimensi input dari embedding teks yang berasal dari text encoder.

time_embed_dim (int, defaultnya 512) : Dimensi output dari embedding timestep.

condition_dim (int, defaultnya 256) : Dimensi embedding dari kondisi resolusi gaya SDXL untuk input (original_size, target_size, crop_coords).

pos_embed_max_size (int, defaultnya 128) : Resolusi maksimum dari positional embeddings, yang diambil potongannya dengan bentuk H x W dan ditambahkan ke input patched latents, di mana H dan W masing-masing adalah tinggi dan lebar latents. Nilai 128 berarti tinggi dan lebar maksimum yang didukung untuk generasi gambar adalah 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.

sample_size (int, defaultnya 128) : Resolusi dasar dari latens input. Jika tinggi/lebar tidak diberikan saat generasi, nilai ini digunakan untuk menentukan resolusi sebagai sample_size * vae_scale_factor => 128 * 8 => 1024

Model Transformer yang diperkenalkan dalam 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)

Sumber

Parameter:

hidden_states (torch.Tensor) : Input hidden_states dengan bentuk (batch size, channel, height, width).

encoder_hidden_states (torch.Tensor) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) dengan bentuk (batch_size, sequence_len, text_embed_dim)

timestep (torch.LongTensor) : Digunakan untuk menunjukkan langkah denoising.

original_size (torch.Tensor) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar asli seperti yang dijelaskan di bagian 2.2 dari https://huggingface.co/papers/2307.01952.

target_size (torch.Tensor) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar target seperti yang dijelaskan di bagian 2.2 dari https://huggingface.co/papers/2307.01952.

crop_coords (torch.Tensor) : CogView3 menggunakan micro-conditioning mirip SDXL untuk koordinat crop seperti yang dijelaskan di bagian 2.2 dari https://huggingface.co/papers/2307.01952.

return_dict (bool, opsional, defaultnya True) : Apakah akan mengembalikan ~models.transformer_2d.Transformer2DModelOutput alih-alih tuple biasa.

Mengembalikan: torch.Tensor atau ~models.transformer_2d.Transformer2DModelOutput

Latens yang telah didenoise menggunakan input yang disediakan sebagai kondisioning.

Metode forward dari 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)

Sumber

Parameter:

sample (torch.Tensor dengan bentuk (batch_size, num_channels, height, width) atau (batch size, num_vector_embeds - 1, num_latent_pixels) jika Transformer2DModel bersifat diskrit) : Output hidden states yang dikondisikan pada input encoder_hidden_states. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari Transformer2DModel.