# CogView3PlusTransformer2DModel

Um modelo Diffusion Transformer para dados 2D do [CogView3Plus](https://github.com/THUDM/CogView3) foi introduzido em [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) pela Universidade de Tsinghua & ZhipuAI.

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

#### diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

```python
diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

**Parâmetros:**

patch_size (`int`, padrão `2`) : O tamanho dos patches a serem usados na camada de incorporação de patches.

in_channels (`int`, padrão `16`) : O número de canais na entrada.

num_layers (`int`, padrão `30`) : O número de blocos de Transformer a serem usados.

attention_head_dim (`int`, padrão `40`) : O número de canais em cada head.

num_attention_heads (`int`, padrão `64`) : O número de cabeças a serem usadas para a atenção multi-cabeça.

out_channels (`int`, padrão `16`) : O número de canais na saída.

text_embed_dim (`int`, padrão `4096`) : Dimensão de entrada dos embeddings de texto do codificador de texto.

time_embed_dim (`int`, padrão `512`) : Dimensão de saída dos embeddings de timestep.

condition_dim (`int`, padrão `256`) : A dimensão de incorporação das condições de resolução no estilo SDXL da entrada (original_size, target_size, crop_coords).

pos_embed_max_size (`int`, padrão `128`) : A resolução máxima dos embeddings posicionais, da qual são extraídas fatias de forma `H x W` e adicionadas aos latentes de entrada em patches, onde `H` e `W` são, respectivamente, a altura e a largura do latente. Um valor de 128 significa que a altura e a largura máximas suportadas para a geração de imagens são `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048`.

sample_size (`int`, padrão `128`) : A resolução base dos latentes de entrada. Se a altura/largura não for fornecida durante a geração, esse valor é usado para determinar a resolução como `sample_size * vae_scale_factor => 128 * 8 => 1024`

O modelo Transformer introduzido em [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121).

#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

**Parâmetros:**

hidden_states (`torch.Tensor`) : `hidden_states` de entrada com forma `(batch size, channel, height, width)`.

encoder_hidden_states (`torch.Tensor`) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) com forma `(batch_size, sequence_len, text_embed_dim)`

timestep (`torch.LongTensor`) : Usado para indicar o passo de desruidamento.

original_size (`torch.Tensor`) : O CogView3 usa micro-condicionamento semelhante ao do SDXL para o tamanho original da imagem, conforme explicado na seção 2.2 de [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

target_size (`torch.Tensor`) : O CogView3 usa micro-condicionamento semelhante ao do SDXL para o tamanho da imagem de destino, conforme explicado na seção 2.2 de [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

crop_coords (`torch.Tensor`) : O CogView3 usa micro-condicionamento semelhante ao do SDXL para coordenadas de recorte, conforme explicado na seção 2.2 de [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

return_dict (`bool`, *opcional*, padrão `True`) : Indica se deve retornar um `~models.transformer_2d.Transformer2DModelOutput` em vez de uma tupla simples.

**Retorna:** `torch.Tensor` ou `~models.transformer_2d.Transformer2DModelOutput`

Os latentes dessonificados usando as entradas fornecidas como condicionamento.

O método forward do [CogView3PlusTransformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

## 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)
```

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

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/transformer2d#diffusers.Transformer2DModel).