# SequentialPipelineBlocks

[SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks), diğer [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) öğelerini bir dizi halinde bir araya getiren çoklu blok türüdür. Veri, `inputs` ve `intermediate_outputs` kullanılarak bir bloktan diğerine doğrusal olarak akar. [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) içindeki her blok genellikle hattın bir adımını temsil eder ve bunları birleştirerek hattı kademeli olarak oluşturursunuz.

Bu kılavuz, iki bloğu [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) içine nasıl bağlayacağınızı gösterir.

İki [ModularPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) oluşturun. İlk blok olan `InputBlock`, bir `batch_size` değeri üretir; ikinci blok olan `ImageEncoderBlock` ise `batch_size` değerini `inputs` olarak kullanır.

```py
from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam

class InputBlock(ModularPipelineBlocks):

    @property
    def inputs(self):
        return [
            InputParam(name="prompt", type_hint=list, description="list of text prompts"),
            InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"),
        ]

    @property
    def intermediate_outputs(self):
        return [
            OutputParam(name="batch_size", description="calculated batch size"),
        ]

    @property
    def description(self):
        return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument."

    def __call__(self, components, state):
        block_state = self.get_block_state(state)
        batch_size = len(block_state.prompt)
        block_state.batch_size = batch_size * block_state.num_images_per_prompt
        self.set_block_state(state, block_state)
        return components, state
```

```py
import torch
from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam

class ImageEncoderBlock(ModularPipelineBlocks):

    @property
    def inputs(self):
        return [
            InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"),
            InputParam(name="batch_size", type_hint=int),
        ]

    @property
    def intermediate_outputs(self):
        return [
            OutputParam(name="image_latents", description="latents representing the image"),
        ]

    @property
    def description(self):
        return "Encode raw image into its latent presentation"

    def __call__(self, components, state):
        block_state = self.get_block_state(state)
        # Simulate processing the image
        # This will change the state of the image from a PIL image to a tensor for all blocks
        block_state.image = torch.randn(1, 3, 512, 512)
        block_state.batch_size = block_state.batch_size * 2
        block_state.image_latents = torch.randn(1, 4, 64, 64)
        self.set_block_state(state, block_state)
        return components, state
```

İki bloğu [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) tanımlayarak bağlayın. Blok örneklerini `block_classes` içinde, bunlara karşılık gelen adları ise `block_names` içinde listeleyin. Bloklar, `block_classes` içinde göründükleri sırada çalıştırılır ve veri, bir bloktan diğerine [PipelineState](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState) üzerinden akar.

```py
class ImageProcessingStep(SequentialPipelineBlocks):
    """
    # auto_docstring
    """
    model_name = "my_model"
    block_classes = [InputBlock(), ImageEncoderBlock()]
    block_names = ["input", "image_encoder"]

    @property
    def description(self):
        return (
            "Process text prompts and images for the pipeline. It:\n"
            " - Determines the batch size from the prompts.\n"
            " - Encodes the image into latent space."
        )
```

Bir [SequentialPipelineBlocks](/docs/diffusers/main/tr/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) oluşturduğunuzda, `inputs`, `intermediate_outputs` ve `expected_components` gibi özellikler alt bloklardan otomatik olarak toplanır, bu nedenle bunları yeniden tanımlamanıza gerek yoktur.

Belirlemeniz gereken birkaç özellik var:

- `description`: Birleştirilen blok için, birleştirilen adımın ne yaptığını açıklayan bir açıklama eklemenizi öneririz.
- `model_name`: Bu, alt bloklardan otomatik olarak türetilir ancak her zaman doğru olmayabilir, bu nedenle devre dışı bırakmanız gerekebilir.
- `outputs`: Varsayılan olarak bu, `intermediate_outputs` ile aynıdır ancak belgede hangi değerlerin görüneceğini kontrol etmek için manuel olarak ayarlayabilirsiniz. Bu, tüm ara değerler yerine yalnızca nihai çıktıları göstermek için kullanışlıdır.

Bu özellikler, toplanmış `inputs`, `intermediate_outputs` ve `expected_components` ile birlikte, `doc` özelliğinin otomatik olarak oluşturulmasında kullanılır.

Alt blokları incelemek için `ImageProcessingStep` bloğunu yazdırın ve bloğun girdileri, çıktıları ve bileşenlerinin tam bir özetini almak için `doc` kullanın.

```py
blocks = ImageProcessingStep()
print(blocks)
print(blocks.doc)
```