# QwenImageTransformer2DModel

モデルは、以下のコードスニペットで読み込むことができます。

```python
from diffusers import QwenImageTransformer2DModel

transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)
```

## QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

#### diffusers.QwenImageTransformer2DModel[[diffusers.QwenImageTransformer2DModel]]

```python
diffusers.QwenImageTransformer2DModel(patch_size: int = 2, in_channels: int = 64, out_channels: int | None = 16, num_layers: int = 60, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 3584, guidance_embeds: bool = False, axes_dims_rope: tuple[int, int, int] = (16, 56, 56), zero_cond_t: bool = False, use_additional_t_cond: bool = False, use_layer3d_rope: bool = False)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_qwenimage.py#L748)

**パラメータ:**

patch_size (`int`、デフォルトは`2`) : 入力データを小さなパッチに変換するためのパッチサイズ。

in_channels (`int`、デフォルトは`64`) : 入力におけるチャネル数。

out_channels (`int`、*任意*、デフォルトは `None`) : 出力のチャネル数です。指定しない場合、デフォルトで `in_channels` になります。

num_layers (`int`、デフォルトは`60`) : 使用するdual stream DiTブロックの層数。

attention_head_dim (`int`、デフォルトは`128`) : 各アテンションヘッドに使用する次元数。

num_attention_heads (`int`、デフォルトは`24`) : 使用するアテンションヘッドの数。

joint_attention_dim (`int`、デフォルトは`3584`) : 結合アテンションに使用する次元数（`encoder_hidden_states`の埋め込み/チャネル次元）。

guidance_embeds (`bool`、デフォルトは`False`) : モデルのガイダンス蒸留版でガイダンス埋め込みを使用するかどうか。

axes_dims_rope (`tuple[int]`、デフォルトは`(16, 56, 56)`) : 回転位置埋め込みに使用する次元数。

Qwenで導入されたTransformerモデル。

#### forward[[diffusers.QwenImageTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, encoder_hidden_states_mask: Tensor = None, timestep: LongTensor = None, img_shapes: list[tuple[int, int, int]] | None = None, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, controlnet_block_samples = None, additional_t_cond = None, return_dict: bool = True)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_qwenimage.py#L868)

**パラメータ:**

hidden_states (`torch.Tensor`、形状 `(batch_size, image_sequence_length, in_channels)`) : 入力 `hidden_states`。

encoder_hidden_states (`torch.Tensor`、shape `(batch_size, text_sequence_length, joint_attention_dim)`) : 使用する条件埋め込み（プロンプトなどの入力条件から計算される埋め込み）。

encoder_hidden_states_mask (`torch.Tensor`、shape `(batch_size, text_sequence_length)`、*任意*) : エンコーダーの隠れ状態用のマスク。有効なトークンには 1.0、パディングトークンには 0.0 が期待されます。アテンションプロセッサ内で、パディングトークンへのアテンションを防ぐために使用されます。アテンション内で要素ごとに適用されるため、マスクは任意のパターン（連続する有効なトークンの後にパディングが続くパターンに限らず）を持つことができます。

timestep ( `torch.LongTensor`) : デノイジングステップを示すために使用されます。

img_shapes (`list[tuple[int, int, int]]`, *任意*) : RoPE 計算用の画像形状。

guidance (`torch.Tensor`, *任意*) : 条件付き生成のためのガイダンステンソル。

attention_kwargs (`dict`, *任意*) : 指定された場合、[diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) の `self.processor` で定義されている `AttentionProcessor` に渡される kwargs の辞書です。

controlnet_block_samples (*任意*) : transformer ブロックに追加する ControlNet ブロックのサンプル。

additional_t_cond (`torch.Tensor`, *任意*) : timestep embedding に追加される、追加の timestep 条件付け。

return_dict (`bool`、*任意*、デフォルトは`True`) : プレーンなタプルではなく`~models.transformer_2d.Transformer2DModelOutput`を返すかどうか。

**戻り値:**

`return_dict` が True の場合、`~models.transformer_2d.Transformer2DModelOutput` が返され、それ以外の場合は、最初の要素がサンプルテンソルである `tuple` が返されます。

`QwenTransformer2DModel`のforwardメソッドです。

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/modeling_outputs.py#L21)

**パラメータ:**

sample (`torch.Tensor`、shape は `(batch_size, num_channels, height, width)`、または [Transformer2DModel](/docs/diffusers/v0.43.0/ja/api/models/transformer2d#diffusers.Transformer2DModel) が離散型の場合 `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` 入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。

[Transformer2DModel](/docs/diffusers/v0.43.0/ja/api/models/transformer2d#diffusers.Transformer2DModel)の出力です。