# OvisImageTransformer2DModel

Le modèle peut être chargé à l'aide du fragment de code suivant.

```python
from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)
```

## OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

#### diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

```python
diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple[int, int, int] = (16, 56, 56))
```

[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**Paramètres :**

patch_size (`int`, par défaut `1`) : Taille des patches pour découper les données d'entrée en petits patches.

in_channels (`int`, par défaut `64`) : Le nombre de canaux dans l'entrée.

out_channels (`int`, *facultatif*, par défaut `None`) : Le nombre de canaux dans la sortie. S'il n'est pas spécifié, il est défini sur `in_channels` par défaut.

num_layers (`int`, par défaut `6`) : Le nombre de blocs DiT à double flux à utiliser.

num_single_layers (`int`, par défaut `27`) : Le nombre de blocs DiT à flux unique à utiliser.

attention_head_dim (`int`, par défaut `128`) : Le nombre de dimensions à utiliser pour chaque tête d'attention.

num_attention_heads (`int`, par défaut `24`) : Le nombre de têtes d'attention à utiliser.

joint_attention_dim (`int`, par défaut `2048`) : Le nombre de dimensions à utiliser pour l'attention conjointe (dimension d'embedding/canal de `encoder_hidden_states`).

axes_dims_rope (`tuple[int]`, par défaut `(16, 56, 56)`) : Les dimensions à utiliser pour les embeddings positionnels rotatifs.

Le modèle Transformer introduit dans Ovis-Image.

Référence : https://github.com/AIDC-AI/Ovis-Image

#### forward[[diffusers.OvisImageTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, timestep: LongTensor = None, img_ids: Tensor = None, txt_ids: Tensor = None, joint_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

**Paramètres :**

hidden_states (`torch.Tensor` de forme `(batch_size, image_sequence_length, in_channels)`) : `hidden_states` d'entrée.

encoder_hidden_states (`torch.Tensor` de forme `(batch_size, text_sequence_length, joint_attention_dim)`) : Embeddings conditionnels (embeddings calculés à partir des conditions d'entrée, telles que les prompts) à utiliser.

timestep (`torch.LongTensor`) : Utilisé pour indiquer l'étape de débruitage.

img_ids : (`torch.Tensor`) : les identifiants de position pour les jetons d'image.

txt_ids (`torch.Tensor`) : Les identifiants de position pour les jetons de texte.

joint_attention_kwargs (`dict`, *facultatif*) : Un dictionnaire de kwargs qui, s'il est spécifié, est transmis à l'`AttentionProcessor` tel que défini sous `self.processor` dans [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `~models.transformer_2d.Transformer2DModelOutput` plutôt qu'un simple tuple.

**Retourne :**

Si `return_dict` est True, un `~models.transformer_2d.Transformer2DModelOutput` est renvoyé, sinon un `tuple` dont le premier élément est le tenseur d'échantillon.

La méthode forward du [OvisImageTransformer2DModel](/docs/diffusers/v0.43.0/fr/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).