# JoyImageEditPlusTransformer3DModel

Модель можно загрузить с помощью следующего фрагмента кода.

```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)
```

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

**Параметры:**

patch_size (`list`, по умолчанию `[1, 2, 2]`) : Размер патча для разбиения латентного входа на патчи вдоль измерений `(t, h, w)`.

in_channels (`int`, по умолчанию `16`) : Количество каналов во входном латентном представлении.

out_channels (`int`, *необязательный*, по умолчанию `None`) : Количество каналов на выходе. Если не указано, по умолчанию используется `in_channels`.

hidden_size (`int`, по умолчанию `3072`) : Размерность скрытых представлений.

num_attention_heads (`int`, по умолчанию `24`) : Количество головок внимания.

text_dim (`int`, по умолчанию `4096`) : размерность выходных данных текстового энкодера.

mlp_width_ratio (`float`, по умолчанию `4.0`) : Соотношение скрытого размера MLP к `hidden_size`.

num_layers (`int`, по умолчанию `20`) : Количество блоков двойного потокового трансформера.

rope_dim_list (`list[int]`, по умолчанию `[16, 56, 56]`) : Размеры для 3D-вращательных позиционных эмбеддингов вдоль `(t, h, w)`.

rope_type (`str`, по умолчанию `"rope"`) : Тип вращательного позиционного встраивания.

theta (`int`, по умолчанию `256`) : Базовая частота для вращательных эмбеддингов.

JoyImage Edit Plus Transformer для редактирования нескольких изображений.

Использует подход patchify+padding, при котором каждое эталонное изображение и целевой шум независимо преобразуются в патчи и конкатенируются в плоскую последовательность патчей. Поддерживает эталонные изображения с переменным разрешением.

Формат входных данных: `[B, max_patches, C, pt, ph, pw]` (6D-патчи с дополнением).

#### 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)
```

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

**Параметры:**

hidden_states : [B, max_patches, C, pt, ph, pw] - вход в латентном пространстве, разбитый на патчи.

timestep : [B] - шаг диффузии.

encoder_hidden_states : [B, L, D] - выходные данные текстового энкодера.

encoder_hidden_states_mask : [B, L] - маска внимания для текстовых токенов.

shape_list : Список кортежей (t, h, w) для каждого компонента (target + references) по каждому образцу.

return_dict : Указывает, следует ли возвращать словарь или кортеж.

**Возвращает:**

Если `return_dict` равно True, возвращается [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput), иначе — `tuple`, первым элементом которого является тензор выборки.

## 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)
```

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

**Параметры:**

sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).