# LuminaNextDiT2DModel

Versi berikutnya dari model Diffusion Transformer untuk data 2D dari [Lumina-T2X](https://github.com/Alpha-VLLM/Lumina-T2X).

## LuminaNextDiT2DModel[[diffusers.LuminaNextDiT2DModel]]

#### diffusers.LuminaNextDiT2DModel[[diffusers.LuminaNextDiT2DModel]]

```python
diffusers.LuminaNextDiT2DModel(sample_size: int = 128, patch_size: int | None = 2, in_channels: int | None = 4, hidden_size: int | None = 2304, num_layers: int | None = 32, num_attention_heads: int | None = 32, num_kv_heads: int | None = None, multiple_of: int | None = 256, ffn_dim_multiplier: float | None = None, norm_eps: float | None = 1e-05, learn_sigma: bool | None = True, qk_norm: bool | None = True, cross_attention_dim: int | None = 2048, scaling_factor: float | None = 1.0)
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/lumina_nextdit2d.py#L178)

**Parameter:**

sample_size (`int`) : Lebar dari gambar laten. Ini tetap selama pelatihan karena digunakan untuk mempelajari sejumlah position embeddings.

patch_size (`int`, *opsional*, (`int`, *opsional*, defaultnya 2) : Ukuran setiap patch dalam gambar. Parameter ini mendefinisikan resolusi patch yang dimasukkan ke dalam model.

in_channels (`int`, *opsional*, defaultnya 4) : Jumlah saluran input untuk model. Biasanya, ini sesuai dengan jumlah saluran pada gambar input.

hidden_size (`int`, *opsional*, default 4096) : Dimensi dari lapisan tersembunyi dalam model. Parameter ini menentukan lebar representasi tersembunyi model.

num_layers (`int`, *opsional*, default 32) : Jumlah lapisan dalam model. Ini mendefinisikan kedalaman jaringan saraf.

num_attention_heads (`int`, *opsional*, defaultnya 32) : Jumlah kepala perhatian (attention heads) di setiap lapisan perhatian. Parameter ini menentukan berapa banyak mekanisme perhatian terpisah yang digunakan.

num_kv_heads (`int`, *opsional*, defaultnya 8) : Jumlah kepala kunci-nilai dalam mekanisme perhatian, jika berbeda dari jumlah kepala perhatian. Jika None, defaultnya adalah num_attention_heads.

multiple_of (`int`, *opsional*, default 256) : Faktor yang harus menjadi kelipatan dari ukuran tersembunyi (hidden size). Hal ini dapat membantu mengoptimalkan konfigurasi perangkat keras tertentu.

ffn_dim_multiplier (`float`, *opsional*) : Pengali untuk dimensi jaringan feed-forward. Jika None, ia menggunakan nilai default berdasarkan konfigurasi model.

norm_eps (`float`, *opsional*, default 1e-5) : Nilai kecil yang ditambahkan ke penyebut untuk stabilitas numerik pada lapisan normalisasi.

learn_sigma (`bool`, *opsional*, defaultnya True) : Apakah model harus mempelajari parameter sigma, yang mungkin berkaitan dengan ketidakpastian atau varians dalam prediksi.

qk_norm (`bool`, *opsional*, defaultnya True) : Menunjukkan apakah query dan key dalam mekanisme perhatian harus dinormalisasi.

cross_attention_dim (`int`, *opsional*, defaultnya 2048) : Dimensi dari embedding teks. Parameter ini mendefinisikan ukuran representasi teks yang digunakan dalam model.

scaling_factor (`float`, *opsional*, default 1.0) : Faktor penskalaan yang diterapkan pada parameter atau lapisan tertentu dalam model. Hal ini dapat digunakan untuk menyesuaikan skala keseluruhan operasi model.

LuminaNextDiT: Model difusi dengan tulang punggung Transformer.

Warisi ModelMixin dan ConfigMixin agar kompatibel dengan sampler StableDiffusionPipeline dari diffusers.

#### forward[[diffusers.LuminaNextDiT2DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_mask: Tensor, image_rotary_emb: Tensor, cross_attention_kwargs: dict[str, typing.Any] = None, return_dict = True)
```

[Sumber](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/lumina_nextdit2d.py#L291)

**Parameter:**

hidden_states (torch.Tensor) : Tensor input dengan bentuk (N, C, H, W).

timestep (torch.Tensor) : Tensor dari langkah-langkah difusi dengan bentuk (N,).

encoder_hidden_states (torch.Tensor) : Tensor dari fitur caption dengan bentuk (N, D).

encoder_mask (torch.Tensor) : Tensor dari caption masks dengan bentuk (N, L).

image_rotary_emb (`torch.Tensor`) : Embedding posisi rotasi yang telah dihitung sebelumnya.

cross_attention_kwargs (`dict`, *opsional*) : Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

**Mengembalikan:** `~models.transformer_2d.Transformer2DModelOutput` atau `tuple`

Jika `return_dict` bernilai True, sebuah `~models.transformer_2d.Transformer2DModelOutput` akan dikembalikan, selain itu sebuah `tuple` biasa akan dikembalikan.

Forward pass dari LuminaNextDiT.