# Krea2Transformer2DModel

[Krea 2](https://github.com/krea-ai/krea-2)'nin kullandığı tek akışlı MMDiT akış eşleştirme dönüştürücüsü.

## Krea2Transformer2DModel[[diffusers.Krea2Transformer2DModel]]

#### diffusers.Krea2Transformer2DModel[[diffusers.Krea2Transformer2DModel]]

```python
diffusers.Krea2Transformer2DModel(in_channels: int = 64, num_layers: int = 28, attention_head_dim: int = 128, num_attention_heads: int = 48, num_key_value_heads: int = 12, intermediate_size: int = 16384, timestep_embed_dim: int = 256, text_hidden_dim: int = 2560, num_text_layers: int = 12, text_num_attention_heads: int = 20, text_num_key_value_heads: int = 20, text_intermediate_size: int = 6912, num_layerwise_text_blocks: int = 2, num_refiner_text_blocks: int = 2, axes_dims_rope: tuple = (32, 48, 48), rope_theta: float = 1000.0, norm_eps: float = 1e-05)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_krea2.py#L339)

**Parametreler:**

in_channels (`int`, varsayılan 64) : Patchification sonrası latent kanal sayısı (`vae_channels * patch_size ** 2`).

num_layers (`int`, varsayılan 28) : Transformer bloklarının sayısı.

attention_head_dim (`int`, varsayılan 128) : Her dikkat başının boyutu; toplam gizli boyut `attention_head_dim * num_attention_heads`'tir.

num_attention_heads (`int`, varsayılan 48) : Sorgu başı sayısı.

num_key_value_heads (`int`, varsayılan 12) : Gruplu sorgu dikkati için anahtar/değer başı sayısı.

intermediate_size (`int`, varsayılan 16384) : Her blok içindeki SwiGLU MLP'nin ileri besleme gizli boyutu.

timestep_embed_dim (`int`, varsayılan 256) : MLP'den önceki sinüzoidal zaman adımı gömme genişliği.

text_hidden_dim (`int`, varsayılan 2560) : Gizli durumları tüketilen metin kodlayıcısının gizli boyutu.

num_text_layers (`int`, varsayılan 12) : Token başına yığılan dokunulan metin kodlayıcı gizli durumlarının sayısı.

text_num_attention_heads (`int`, varsayılan 20) : Metin füzyon bloklarındaki sorgu başı sayısı.

text_num_key_value_heads (`int`, varsayılan 20) : Metin füzyon bloklarındaki anahtar/değer baş sayısı.

text_intermediate_size (`int`, varsayılan 6912) : Metin füzyon bloklarının içindeki SwiGLU MLP'nin ileri besleme gizli boyutu.

num_layerwise_text_blocks (`int`, varsayılan 2) : Token başına, taplanan katman ekseni boyunca uygulanan metin füzyon bloklarının sayısı.

num_refiner_text_blocks (`int`, varsayılan 2) : Token dizisi boyunca uygulanan metin füzyon bloklarının sayısı.

axes_dims_rope (`tuple[int, int, int]`, varsayılan `(32, 48, 48)`) : (t, h, w) döner konum eksenleri arasında baş-boyut bölünmesi.

rope_theta (`float`, varsayılan 1000.0) : Döner konum gömme tarafından kullanılan taban.

norm_eps (`float`, varsayılan 1e-5) : Tüm RMSNorm modüllerinin kullandığı epsilon.

Krea 2 hattında kullanılan tek akışlı MMDiT akış eşleştirme omurgası.

Metin koşullandırma, çok modlu metin kodlayıcısının birkaç katmanından alınan gizli durumlar yığını olarak girer. Küçük bir metin-birleştirme dönüştürücüsü, katman eksenini daraltır ve jeton dizisini iyileştirir; sonuç, dönüştürücü blokları tarafından işlenen tek bir `[text, image]` dizisi olarak yamalanmış görüntü latentleriyle birleştirilir. Zaman adımı, her bloğu bir paylaşımlı modülasyon vektörü ve blok başına öğrenilmiş tablolar aracılığıyla koşullandırır.

#### forward[[diffusers.Krea2Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: Tensor, position_ids: Tensor, encoder_attention_mask: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_krea2.py#L456)

**Parametreler:**

hidden_states (`torch.Tensor`, şekli `(batch_size, image_seq_len, in_channels)`) : Paketlenmiş (patch'lenmiş) gürültülü görüntü latentleri.

encoder_hidden_states (`torch.Tensor`, şekli `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)`) : Token başına alınmış metin kodlayıcı gizli durumlarının yığını.

timestep (`torch.Tensor`, şekli `(batch_size,)`) : `[0, 1]` aralığında akış eşleştirme zamanı (1 saf gürültü, 0 temiz veridir).

position_ids (`torch.Tensor`, şekli `(text_seq_len + image_seq_len, 3)`) : Birleşik dizi için `(t, h, w)` rotary koordinatları. Metin satırları tamamen sıfırdır; görüntü satırları latent-izgara koordinatlarını içerir.

encoder_attention_mask (`torch.Tensor`, şekli `(batch_size, text_seq_len)`, *isteğe bağlı*) : Geçerli metin token'larını işaretleyen Boole maskesi. Tüm metin token'ları geçerli olduğunda `None` geçirin.

attention_kwargs (`dict`, *isteğe bağlı*) : İçinde `scale` girdisi bulunması durumunda, bu dönüştürücünün adaptörlerine ileri geçiş süresince uygulanacak LoRA ölçeğini ayarlayan bir kwargs sözlüğü.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine [Transformer2DModelOutput](/docs/diffusers/main/tr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) döndürülüp döndürülmemesi.

**Dönüş:**

[Transformer2DModelOutput](/docs/diffusers/main/tr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) veya ilk öğesi `(batch_size, image_seq_len, in_channels)` biçiminde hız tensörü olan bir `tuple`.

Görsel jetonları için akış eşleştirme hızını tahmin edin.