# CogView3PlusTransformer2DModel

[CogView3Plus](https://github.com/THUDM/CogView3)'tan 2B veriler için bir Diffusion Transformer modeli, Tsinghua University & ZhipuAI tarafından [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) makalesinde tanıtılmıştır.

Model, aşağıdaki kod parçasıyla yüklenebilir.

```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)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

**Parametreler:**

patch_size (`int`, varsayılan `2`) : Yama gömme katmanında kullanılacak yamaların boyutu.

in_channels (`int`, varsayılan `16`) : Girdideki kanal sayısı.

num_layers (`int`, varsayılan `30`) : Kullanılacak Transformer bloğu katman sayısı.

attention_head_dim (`int`, varsayılan `40`) : Her baştaki kanal sayısı.

num_attention_heads (`int`, varsayılan `64`) : Çok başlı dikkat için kullanılacak baş sayısı.

out_channels (`int`, varsayılan `16`) : Çıktıdaki kanal sayısı.

text_embed_dim (`int`, varsayılan `4096`) : Metin kodlayıcısından gelen metin gömme girdi boyutu.

time_embed_dim (`int`, varsayılan `512`) : Zaman adımları gömme çıktısının boyutu.

condition_dim (`int`, varsayılan `256`) : Girdi SDXL tarzı çözünürlük koşullarının (original_size, target_size, crop_coords) gömme boyutu.

pos_embed_max_size (`int`, varsayılan `128`) : Konumsal gömme (positional embeddings) için maksimum çözünürlük. Girdi yamalı (patched) latentlere eklenen `H x W` biçiminde dilimler bu çözünürlükten alınır; burada `H` ve `W` sırasıyla latent yükseklik ve genişliktir. 128 değeri, görüntü üretimi için desteklenen maksimum yükseklik ve genişliğin `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048` olduğunu ifade eder.

sample_size (`int`, varsayılan `128`) : Girdi latentlerinin temel çözünürlüğü. Üretim sırasında yükseklik/genişlik sağlanmazsa, bu değer çözünürlüğü `sample_size * vae_scale_factor => 128 * 8 => 1024` olarak belirlemek için kullanılır.

[CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) makalesinde tanıtılan Transformer modeli.

#### 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)
```

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

**Parametreler:**

hidden_states (`torch.Tensor`) : `(batch size, channel, height, width)` biçiminde girdi `hidden_states`.

encoder_hidden_states (`torch.Tensor`) : `(batch_size, sequence_len, text_embed_dim)` boyutunda koşullu gömlemeler (prompt gibi giriş koşullarından hesaplanan gömlemeler)

timestep (`torch.LongTensor`) : Gürültü azaltma adımını belirtmek için kullanılır.

original_size (`torch.Tensor`) : CogView3, [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952) makalesinin 2.2 bölümünde açıklandığı gibi, orijinal görüntü boyutu için SDXL benzeri mikro-konumlama kullanır.

target_size (`torch.Tensor`) : CogView3, hedef görüntü boyutu için [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952) makalesinin 2.2 bölümünde açıklandığı gibi SDXL benzeri mikro-konumlama kullanır.

crop_coords (`torch.Tensor`) : CogView3, [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952) makalesinin 2.2 bölümünde açıklandığı gibi, kırpma koordinatları için SDXL benzeri mikro-konumlama kullanır.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine `~models.transformer_2d.Transformer2DModelOutput` döndürülüp döndürülmediğini belirtir.

**Dönüş:** `torch.Tensor` veya `~models.transformer_2d.Transformer2DModelOutput`

Sağlanan girdilerin koşullandırma olarak kullanıldığı gürültüsü azaltılmış latentler.

[CogView3PlusTransformer2DModel](/docs/diffusers/main/tr/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel) ileri yöntemi.

## 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)
```

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

**Parametreler:**

sample (`torch.Tensor`, şekli `(batch_size, num_channels, height, width)` veya [Transformer2DModel](/docs/diffusers/main/tr/api/models/transformer2d#diffusers.Transformer2DModel) ayrık (discrete) ise `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` girdisine koşullu gizli durum (hidden states) çıktısı. Ayrık (discrete) ise, gürültüsü olmayan (unnoised) gizli (latent) pikseller için olasılık dağılımlarını döndürür.

[Transformer2DModel](/docs/diffusers/main/tr/api/models/transformer2d#diffusers.Transformer2DModel)'nin çıktısı.