# StableAudioDiTModel

[Stable Audio Open](https://huggingface.co/papers/2407.14358)'dan ses dalga formları için bir Transformer modeli.

## StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

#### diffusers.StableAudioDiTModel[[diffusers.StableAudioDiTModel]]

```python
diffusers.StableAudioDiTModel(sample_size: int = 1024, in_channels: int = 64, num_layers: int = 24, attention_head_dim: int = 64, num_attention_heads: int = 24, num_key_value_attention_heads: int = 12, out_channels: int = 64, cross_attention_dim: int = 768, time_proj_dim: int = 256, global_states_input_dim: int = 1536, cross_attention_input_dim: int = 768)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/stable_audio_transformer.py#L183)

**Parametreler:**

sample_size ( `int`, *isteğe bağlı*, varsayılan 1024) : Girdi örneğinin boyutu.

in_channels (`int`, *isteğe bağlı*, varsayılan 64) : Girdideki kanal sayısı.

num_layers (`int`, *isteğe bağlı*, varsayılan 24) : Kullanılacak Transformer bloğu katman sayısı.

attention_head_dim (`int`, *isteğe bağlı*, varsayılan 64) : Her baştaki kanal sayısı.

num_attention_heads (`int`, *isteğe bağlı*, varsayılan 24) : Sorgu durumları için kullanılacak baş sayısı.

num_key_value_attention_heads (`int`, *isteğe bağlı*, varsayılan 12) : Anahtar ve değer durumları için kullanılacak baş sayısı.

out_channels (`int`, varsayılan 64) : Çıkış kanalı sayısı.

cross_attention_dim ( `int`, *isteğe bağlı*, varsayılan 768) : Çapraz dikkat projeksiyonunun boyutu.

time_proj_dim ( `int`, *isteğe bağlı*, varsayılan 256) : Zaman adımı iç projeksiyonunun boyutu.

global_states_input_dim ( `int`, *isteğe bağlı*, varsayılan 1536) : Küresel gizli durumlar projeksiyonunun giriş boyutu.

cross_attention_input_dim ( `int`, *isteğe bağlı*, varsayılan 768) : Çapraz dikkat projeksiyonunun giriş boyutu

Stable Audio'da tanıtılan Diffusion Transformer modeli.

Referans: https://github.com/Stability-AI/stable-audio-tools

#### forward[[diffusers.StableAudioDiTModel.forward]]

```python
forward(hidden_states: FloatTensor, timestep: LongTensor = None, encoder_hidden_states: FloatTensor = None, global_hidden_states: FloatTensor = None, rotary_embedding: FloatTensor = None, return_dict: bool = True, attention_mask: typing.Optional[torch.LongTensor] = None, encoder_attention_mask: typing.Optional[torch.LongTensor] = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/stable_audio_transformer.py#L282)

**Parametreler:**

hidden_states (`torch.FloatTensor`, şekli `(batch size, in_channels, sequence_len)`) : Girdi `hidden_states`.

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

encoder_hidden_states (`torch.FloatTensor`, şekli `(batch size, encoder_sequence_len, cross_attention_input_dim)`) : Kullanılacak koşullu gömlemeler (prompt gibi giriş koşullarından hesaplanan gömlemeler).

global_hidden_states (`torch.FloatTensor`, şekli `(batch size, global_sequence_len, global_states_input_dim)`) : Gizli durumların başına eklenecek küresel gömme değerleri.

rotary_embedding (`torch.Tensor`) : Dikkat hesabı sırasında sorgu ve anahtar tensörlerine uygulanacak döner gömme (rotary embeddings).

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

attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_len)`, *isteğe bağlı*) : Dolgu token indekslerinde dikkat işleminin uygulanmamasını sağlamak için, iki metin kodlayıcısının dikkat maskelerinin birleştirilmesiyle oluşturulan maske. `[0, 1]` aralığında seçilen maske değerleri: - **maskelenmemiş** tokenlar için 1, - **maskelenmiş** tokenlar için 0.

encoder_attention_mask (`torch.Tensor`, şekli `(batch_size, sequence_len)`, *isteğe bağlı*) : İki metin kodlayıcısının dikkat maskelerini birleştirerek oluşturulan, dolgu token'larındaki çapraz dikkat indekslerinde dikkat işleminin uygulanmamasını sağlayan maske. `[0, 1]` aralığında seçilen maske değerleri: - **maskelenmemiş** token'lar için 1, - **maskelenmiş** token'lar için 0.

**Dönüş:**

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

[StableAudioDiTModel](/docs/diffusers/main/tr/api/models/stable_audio_transformer#diffusers.StableAudioDiTModel) ileri yöntemi.

#### set_default_attn_processor[[diffusers.StableAudioDiTModel.set_default_attn_processor]]

```python
set_default_attn_processor()
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/stable_audio_transformer.py#L276)

Özel dikkat işleyicilerini devre dışı bırakır ve varsayılan dikkat uygulamasını ayarlar.