# BriaFiboTransformer2DModel

[Bria](https://huggingface.co/briaai/FIBO) による修正版 flux Transformer モデル

## BriaFiboTransformer2DModel[[diffusers.BriaFiboTransformer2DModel]]

#### diffusers.BriaFiboTransformer2DModel[[diffusers.BriaFiboTransformer2DModel]]

```python
diffusers.BriaFiboTransformer2DModel(patch_size: int = 1, in_channels: int = 64, num_layers: int = 19, num_single_layers: int = 38, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 4096, pooled_projection_dim: int = None, guidance_embeds: bool = False, axes_dims_rope: list[int] = [16, 56, 56], rope_theta = 10000, time_theta = 10000, text_encoder_dim: int = 2048)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_bria_fibo.py#L428)

**パラメータ:**

patch_size (`int`) : 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`、*optional*、デフォルトは 16) : 入力におけるチャネル数。

num_layers (`int`、*optional*、デフォルトは 18) : 使用する MMDiT ブロックの層数。

num_single_layers (`int`, *optional*, デフォルトは 18) : 使用する単一 DiT ブロックの層数。

attention_head_dim (`int`、*optional*、デフォルトは 64) : 各ヘッドのチャネル数。

num_attention_heads (`int`、*任意*、デフォルトは 18) : マルチヘッドアテンションで使用するヘッド数。

joint_attention_dim (`int`, *任意*) : 使用する`encoder_hidden_states`の次元数。

pooled_projection_dim (`int`) : `pooled_projections`を投影する際に使用する次元数。

guidance_embeds (`bool`、デフォルトは False) : ガイダンス埋め込みを使用するかどうか。

... --

#### forward[[diffusers.BriaFiboTransformer2DModel.forward]]

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

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_bria_fibo.py#L510)

**パラメータ:**

hidden_states (`torch.FloatTensor`、shape `(batch size, channel, height, width)`) : 入力 `hidden_states`。

encoder_hidden_states (`torch.FloatTensor`、shape `(batch size, sequence_len, embed_dims)`) : 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）。

text_encoder_layers (`list` of `torch.Tensor`) : ブロックごとのテキストエンコーダーの隠れ状態。各 Transformer ブロックに対応するテンソルが 1 つ含まれます。

pooled_projections (`torch.FloatTensor`、shape `(batch_size, projection_dim)`) : 入力条件の埋め込みから投影された埋め込み。

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_ids (`torch.Tensor`) : 回転位置埋め込みを計算するために使用される画像の位置 ID。

txt_ids (`torch.Tensor`) : 回転位置埋め込みを計算するために使用されるテキストの位置 ID。

guidance (`torch.Tensor`, *任意*) : モデルのガイダンス蒸留版に使用されるガイダンススケール埋め込み。

joint_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。

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。