# CogView4Transformer2DModel

[CogView4]()'ten 2B veriler için bir Diffusion Transformer modeli

Model, aşağıdaki kod parçasıyla yüklenebilir.

```python
from diffusers import CogView4Transformer2DModel

transformer = CogView4Transformer2DModel.from_pretrained("THUDM/CogView4-6B", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

#### diffusers.CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

```python
diffusers.CogView4Transformer2DModel(patch_size: int = 2, in_channels: int = 16, out_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128, rope_axes_dim: tuple = (256, 256))
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview4.py#L615)

**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.

#### forward[[diffusers.CogView4Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, attention_mask: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | list[tuple[torch.Tensor, torch.Tensor]] | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview4.py#L702)

**Parametreler:**

hidden_states (`torch.Tensor`, şekli `(batch_size, in_channels, height, width)`) : Girdi `hidden_states`.

encoder_hidden_states (`torch.Tensor`, şekli `(batch_size, sequence_len, embed_dims)`) : Kullanılacak koşullu gömlemeler (giriş koşullarından, örneğin istemlerden hesaplanan gömlemeler).

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

original_size (`torch.Tensor`) : Orijinal görüntü boyutu koşullandırması.

target_size (`torch.Tensor`) : Hedef görüntü boyutu koşullandırması.

crop_coords (`torch.Tensor`) : Kırpma koordinatları koşullandırma.

attention_kwargs (`dict`, *isteğe bağlı*) : Belirtilirse, [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) içinde `self.processor` altında tanımlanan `AttentionProcessor`'a iletilen bir kwargs sözlüğü.

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

attention_mask (`torch.Tensor`, *isteğe bağlı*) : Dikkat puanlarına uygulanan maske.

image_rotary_emb (`tuple` of `torch.Tensor`, *isteğe bağlı*) : Ön hesaplanmış döner konumsal gömme (embedding) değerleri.

**Dönüş:**

`return_dict` True ise, `~models.transformer_2d.Transformer2DModelOutput` döndürülür, aksi takdirde ilk öğesi örnek tensörü olan bir `tuple` döndürülür.

[CogView4Transformer2DModel](/docs/diffusers/main/tr/api/models/cogview4_transformer2d#diffusers.CogView4Transformer2DModel) 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.