# LuminaNextDiT2DModel

来自 [Lumina-T2X](https://github.com/Alpha-VLLM/Lumina-T2X) 的用于 2D 数据的下一代 Diffusion Transformer 模型。

## 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)
```

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

**参数：**

sample_size (`int`) : 潜在图像的宽度。由于该值用于学习位置嵌入的数量，因此在训练过程中是固定的。

patch_size (`int`，*可选*，(`int`，*可选*，默认值为 2)：图像中每个 patch 的尺寸。此参数定义了输入模型的 patch 的分辨率。

in_channels (`int`，*可选*，默认值为 4)：模型的输入通道数。通常，该值与输入图像的通道数一致。

hidden_size (`int`，*可选*，默认值为 4096)：模型中隐藏层的维度。该参数决定了模型隐藏表示的宽度。

num_layers (`int`，*可选*，默认值为 32)：模型中的层数。这定义了神经网络的深度。

num_attention_heads (`int`，*可选*，默认值为 32)：每个注意力层中的注意力头数量。此参数指定使用多少个独立的注意力机制。

num_kv_heads (`int`，*可选*，默认为 8)：注意力机制中键值头的数量（如果与注意力头数量不同）。如果为 None，则默认为 num_attention_heads。

multiple_of (`int`，*可选*，默认为 256)：隐藏层大小应为该因子的倍数。这有助于优化某些硬件配置。

ffn_dim_multiplier (`float`, *可选*) : 前馈网络维度的乘数。如果为 None，则使用基于模型配置的默认值。

norm_eps (`float`, *可选*，默认为 1e-5)：在归一化层中，为分母添加的一个小值，用于保证数值稳定性。

learn_sigma (`bool`，*可选*，默认为 True)：模型是否应学习 sigma 参数，该参数可能与预测中的不确定性或方差有关。

qk_norm (`bool`，*可选*，默认为 True)：指示注意力机制中的查询和键是否应进行归一化。

cross_attention_dim (`int`，*可选*，默认值为 2048)：文本嵌入的维度。该参数定义了模型中使用的文本表示的大小。

scaling_factor (`float`，*可选*，默认值为 1.0)：应用于模型中特定参数或层的缩放因子。可用于调整模型运算的整体尺度。

LuminaNextDiT：采用 Transformer 骨干网络的扩散模型。

继承 ModelMixin 和 ConfigMixin，以兼容 diffusers 中的采样器 StableDiffusionPipeline。

#### 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)
```

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

**参数：**

hidden_states (torch.Tensor) ：形状为 (N, C, H, W) 的输入张量。

timestep (torch.Tensor) ：形状为 (N,) 的扩散时间步张量。

encoder_hidden_states (torch.Tensor) : 形状为 (N, D) 的标题特征张量。

encoder_mask (torch.Tensor) : 形状为 (N, L) 的标题掩码张量。

image_rotary_emb (`torch.Tensor`) : 预计算的旋转位置嵌入。

cross_attention_kwargs (`dict`, *可选*) : 一个 kwargs 字典，如果指定，将作为参数传递给 [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) 中 `self.processor` 下定义的 `AttentionProcessor`。

return_dict (`bool`，*可选*，默认为 `True`)：是否返回 `~models.transformer_2d.Transformer2DModelOutput` 而不是普通元组。

**返回：** `~models.transformer_2d.Transformer2DModelOutput` 或 `tuple`

如果 `return_dict` 为 True，则返回 `~models.transformer_2d.Transformer2DModelOutput`，否则返回普通的 `tuple`。

LuminaNextDiT 的前向传播。