# QwenImageTransformer2DModel

Модель можно загрузить с помощью следующего фрагмента кода.

```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)
```

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

**Параметры:**

patch_size (`int`, по умолчанию `2`) : Размер патча для разбиения входных данных на небольшие патчи.

in_channels (`int`, по умолчанию `64`) : количество каналов на входе.

out_channels (`int`, *необязательный*, по умолчанию `None`) : Количество каналов на выходе. Если не указано, по умолчанию используется `in_channels`.

num_layers (`int`, по умолчанию `60`) : Количество используемых блоков dual stream DiT.

attention_head_dim (`int`, по умолчанию `128`) : Количество измерений, используемых для каждой головы внимания.

num_attention_heads (`int`, по умолчанию `24`) : Количество используемых голок внимания.

joint_attention_dim (`int`, по умолчанию `3584`) : Количество измерений, используемых для совместного внимания (размерность встраивания/канала `encoder_hidden_states`).

guidance_embeds (`bool`, по умолчанию `False`) : Использовать ли embeddings для guidance в guidance-distilled версии модели.

axes_dims_rope (`tuple[int]`, по умолчанию `(16, 56, 56)`) : Размеры, используемые для вращательных позиционных эмбеддингов.

Модель Transformer, представленная в Qwen.

#### 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)
```

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

**Параметры:**

hidden_states (`torch.Tensor` формы `(batch_size, image_sequence_length, in_channels)`) : Входные `hidden_states`.

encoder_hidden_states (`torch.Tensor` формы `(batch_size, text_sequence_length, joint_attention_dim)`) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

encoder_hidden_states_mask (`torch.Tensor` формы `(batch_size, text_sequence_length)`, *необязательный*) : Маска для скрытых состояний кодировщика. Ожидается, что для валидных токенов значение будет 1.0, а для токенов отступов — 0.0. Используется в процессоре внимания, чтобы предотвратить внимание к токенам отступов. Маска может иметь любой паттерн (не только непрерывные валидные токены, за которыми следуют отступы), поскольку она применяется поэлементно во внимании.

timestep ( `torch.LongTensor`) : Используется для указания шага денойзинга.

img_shapes (`list[tuple[int, int, int]]`, *необязательный*) : Формы изображений для вычисления RoPE.

guidance (`torch.Tensor`, *необязательный*) : Тензор управления для условной генерации.

attention_kwargs (`dict`, *необязательный*) : Словарь kwargs, который при указании передается в `AttentionProcessor`, определенный в `self.processor` в [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

controlnet_block_samples (*необязательный*) : образцы блоков ControlNet для добавления к блокам трансформера.

additional_t_cond (`torch.Tensor`, *необязательный*) : Дополнительное условие по шагу времени, добавляемое к эмбеддингу шага времени.

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `~models.transformer_2d.Transformer2DModelOutput` вместо обычного кортежа.

**Возвращает:**

Если `return_dict` равно True, возвращается `~models.transformer_2d.Transformer2DModelOutput`, иначе — `tuple`, первым элементом которого является тензор выборки.

Метод forward модели `QwenTransformer2DModel`.

## 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)
```

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

**Параметры:**

sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel).