# JoyImageEditPlusTransformer3DModel

可以使用以下代码片段加载该模型。

```python
from diffusers import JoyImageEditPlusTransformer3DModel

transformer = JoyImageEditPlusTransformer3DModel.from_pretrained("jdopensource/JoyAI-Image-Edit-Plus-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## JoyImageEditPlusTransformer3DModel[[diffusers.JoyImageEditPlusTransformer3DModel]]

#### diffusers.JoyImageEditPlusTransformer3DModel[[diffusers.JoyImageEditPlusTransformer3DModel]]

```python
diffusers.JoyImageEditPlusTransformer3DModel(patch_size: list[int] = [1, 2, 2], in_channels: int = 16, out_channels: int | None = None, hidden_size: int = 3072, num_attention_heads: int = 24, text_dim: int = 4096, mlp_width_ratio: float = 4.0, num_layers: int = 20, rope_dim_list: list[int] = [16, 56, 56], rope_type: str = 'rope', theta: int = 256)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_joyimage_edit_plus.py#L317)

**参数：**

patch_size (`list`，默认为 `[1, 2, 2]`)：沿 `(t, h, w)` 维度对潜在输入进行分块时的块大小。

in_channels (`int`，默认为 `16`)：输入潜变量中的通道数。

out_channels (`int`，*可选*，默认为 `None`)：输出中的通道数。如果未指定，则默认为 `in_channels`。

hidden_size (`int`，默认为 `3072`)：隐藏表示的维度。

num_attention_heads (`int`，默认为 `24`)：注意力头的数量。

text_dim (`int`，默认值为 `4096`)：文本编码器输出的维度。

mlp_width_ratio (`float`，默认为 `4.0`)：MLP 隐藏层维度与 `hidden_size` 的比值。

num_layers (`int`，默认为 `20`)：双流 Transformer 块的数量。

rope_dim_list (`list[int]`，默认为 `[16, 56, 56]`)：`(t, h, w)` 方向上 3D 旋转位置嵌入的维度。

rope_type (`str`，默认为 `"rope"`)：旋转位置嵌入的类型。

theta (`int`，默认值为 `256`)：旋转嵌入的基础频率。

用于多图像编辑的 JoyImage Edit Plus Transformer。

采用 patchify+padding 方法，将每张参考图像和目标噪声独立进行 patchify 处理，并拼接为一个扁平的 patch 序列。支持可变分辨率的参考图像。

输入格式：`[B, max_patches, C, pt, ph, pw]`（6D 填充后的 patch）。

#### forward[[diffusers.JoyImageEditPlusTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_hidden_states_mask: typing.Optional[torch.Tensor] = None, shape_list: list[list[tuple[int, int, int]]] = None, return_dict: bool = True)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_joyimage_edit_plus.py#L444)

**参数：**

hidden_states : [B, max_patches, C, pt, ph, pw] - 分块后的潜在输入。

timestep : [B] - 扩散时间步。

encoder_hidden_states : [B, L, D] - 文本编码器的输出。

encoder_hidden_states_mask : [B, L] - 文本 token 的注意力掩码。

shape_list : 每个样本中各组件（目标 + 参考）的 (t, h, w) 元组列表。

return_dict : 是否返回字典或元组。

**返回值：**

如果 `return_dict` 为 True，则返回 [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput)，否则返回一个 `tuple`，其中第一个元素是样本张量。

## 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)
```

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

**参数：**

sample (`torch.Tensor`，形状为 `(batch_size, num_channels, height, width)`；若 [Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/transformer2d#diffusers.Transformer2DModel) 为离散模式，则为 `(batch size, num_vector_embeds - 1, num_latent_pixels)`)：以 `encoder_hidden_states` 输入为条件的隐藏状态输出。若为离散模式，则返回未加噪潜在像素的概率分布。

[Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/transformer2d#diffusers.Transformer2DModel) 的输出。