# JoyImageEditPlusTransformer3DModel

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import JoyImageEditPlusTransformer3DModel

transformer = JoyImageEditPlusTransformer3DModel.from_pretrained("jdopensource/JoyAI-Image-Edit-Plus-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## JoyImageEditPlusTransformer3DModel[[diffusers.JoyImageEditPlusTransformer3DModel]]

#### diffusers.JoyImageEditPlusTransformer3DModel[[diffusers.JoyImageEditPlusTransformer3DModel]]

```python
diffusers.JoyImageEditPlusTransformer3DModel(patch_size: list[int] = [1, 2, 2], in_channels: int = 16, out_channels: int | None = None, hidden_size: int = 3072, num_attention_heads: int = 24, text_dim: int = 4096, mlp_width_ratio: float = 4.0, num_layers: int = 20, rope_dim_list: list[int] = [16, 56, 56], rope_type: str = 'rope', theta: int = 256)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_joyimage_edit_plus.py#L317)

**Parâmetros:**

patch_size (`list`, padrão `[1, 2, 2]`) : Tamanho do patch para a patchificação da entrada latente ao longo das dimensões `(t, h, w)`.

in_channels (`int`, padrão `16`) : O número de canais no latente de entrada.

out_channels (`int`, *opcional*, padrão `None`) : O número de canais na saída. Se não for especificado, o padrão é `in_channels`.

hidden_size (`int`, padrão `3072`) : A dimensionalidade das representações ocultas.

num_attention_heads (`int`, padrão `24`) : O número de cabeças de atenção.

text_dim (`int`, padrão `4096`) : A dimensionalidade da saída do codificador de texto.

mlp_width_ratio (`float`, padrão `4.0`) : A proporção da dimensão oculta do MLP em relação ao `hidden_size`.

num_layers (`int`, padrão `20`) : O número de blocos de transformador de fluxo duplo.

rope_dim_list (`list[int]`, padrão `[16, 56, 56]`) : As dimensões para incorporações posicionais rotacionais 3D ao longo de `(t, h, w)`.

rope_type (`str`, padrão `"rope"`) : O tipo de incorporação posicional rotativa.

theta (`int`, padrão `256`) : A frequência base para incorporações rotativas.

JoyImage Edit Plus Transformer para edição de múltiplas imagens.

Utiliza uma abordagem de patchify+padding em que cada imagem de referência e o ruído alvo são independentemente convertidos em patches e concatenados em uma sequência plana de patches. Suporta imagens de referência com resolução variável.

Formato de entrada: `[B, max_patches, C, pt, ph, pw]` (patches 6D com padding).

#### forward[[diffusers.JoyImageEditPlusTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_hidden_states_mask: typing.Optional[torch.Tensor] = None, shape_list: list[list[tuple[int, int, int]]] = None, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_joyimage_edit_plus.py#L444)

**Parâmetros:**

hidden_states : [B, max_patches, C, pt, ph, pw] - entrada latente em patches.

timestep : [B] - passo de difusão.

encoder_hidden_states : [B, L, D] - saídas do codificador de texto.

encoder_hidden_states_mask : [B, L] - máscara de atenção para tokens de texto.

shape_list : Lista por amostra de tuplas (t, h, w) para cada componente (alvo + referências).

return_dict : Se deve retornar um dict ou uma tupla.

**Retorna:**

Se `return_dict` for True, um [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) é retornado; caso contrário, uma `tuple` em que o primeiro elemento é o tensor da amostra.

## 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)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel).