Diffusers

Join the Hugging Face community

and get access to the augmented documentation experience

Collaborate on models, datasets and Spaces

Faster examples with accelerated inference

Switch between documentation themes

to get started

MiniMaxH3ImageTransformer2DModel

Un modelo Diffusion Transformer para la generación y edición de imágenes, introducido en MiniMax-H3-Image por MiniMax.

Es el MiniMaxH3Transformer3DModel sin su flujo de audio: una única pila de bloques procesa una secuencia 1-D empaquetada que contiene la condición de texto, las filas de las imágenes de referencia y las filas de la imagen generada. Construir el diseño empaquetado es responsabilidad del llamador, por lo que la firma de forward recibe el diseño por separado de los latentes: la cuadrícula de posiciones (t, h, w), las etiquetas de modalidad por fila, los índices de timestep por fila y los dos tensores de índice que dirigen a las filas de imagen y texto. MiniMaxH3ImageBlocks construye todo ello.

El checkpoint se destila a seis pasos de muestreo mediante Parallel Decoding Distillation (PDD), que mantiene una cabeza de salida por paso. Por lo tanto, forward toma pdd_step_index, el paso que se está ejecutando, y proyecta con la cabeza de ese paso.

import torch
from diffusers import MiniMaxH3ImageTransformer2DModel

transformer = MiniMaxH3ImageTransformer2DModel.from_pretrained(
    "MiniMaxAI/MiniMax-H3-Image", subfolder="transformer_diffusers", dtype=torch.bfloat16
).to("cuda")  # or "mps", "xpu", "cpu"

El checkpoint es de precisión mixta: la proyección de entrada de parches, el MLP de paso de tiempo y las cabezas de salida son float32, mientras que la pila de bloques es bfloat16. from_pretrained mantiene ese diseño a través de _keep_in_fp32_modules, por lo que debe pasar dtype=torch.bfloat16 y dejar que coloque los módulos float32, en lugar de convertir el modelo con .to(torch.bfloat16) después.

MiniMaxH3ImageTransformer2DModel

clase diffusers.MiniMaxH3ImageTransformer2DModel

< source >

( num_attention_heads: int = 56attention_head_dim: int = 128hidden_size: int = 5376num_layers: int = 50num_refiner_layers: int = 2ffn_dim: int = 14336in_channels: int = 24patch_size: tuple[int, int, int] = (1, 2, 2)text_dim: int = 5120freq_dim: int = 256time_embed_hidden_dim: int = 5376time_embed_dim: int = 2688rope_freq_dim: int = 16rope_theta: float = 10000.0norm_eps: float = 1e-05qk_norm_eps: float = 1e-05final_norm_eps: float = 1e-05num_pdd_heads: int = 6 )

Parámetros

num_attention_heads (int, por defecto 56) — El número de cabezas a utilizar para la atención multi-cabeza.
attention_head_dim (int, por defecto 128) — El número de canales en cada cabeza de atención. Tenga en cuenta que num_attention_heads * attention_head_dim es mayor que hidden_size.
hidden_size (int, por defecto 5376) — El número de canales de la secuencia empaquetada (el flujo residual).
num_layers (int, por defecto 50) — El número de bloques de transformer.
num_refiner_layers (int, por defecto 2) — El número de bloques de refinamiento de tokens aplicados al flujo de texto proyectado.
ffn_dim (int, por defecto 14336) — La dimensión interna de las capas feed-forward SwiGLU.
in_channels (int, por defecto 24) — El número de canales de los latentes de la imagen.
patch_size (tuple[int, int, int], por defecto (1, 2, 2)) — El parche (t, h, w) utilizado para empaquetar los latentes en filas.
text_dim (int, por defecto 5120) — El número de canales de la condición de texto producida por el codificador de texto.
freq_dim (int, por defecto 256) — La dimensión de la incrustación sinusoidal del paso de tiempo. Los pasos de tiempo se consumen sin escalar en [0, 1].
time_embed_hidden_dim (int, por defecto 5376) — La dimensión interna del MLP de paso de tiempo.
time_embed_dim (int, por defecto 2688) — La dimensión de salida del MLP de paso de tiempo, es decir, la entrada de cada proyección AdaLN.
rope_freq_dim (int, por defecto 16) — El número de frecuencias rotatorias por eje. Los ejes (t, h, w) comparten un búfer inv_freq de esta longitud y 2 * 3 * rope_freq_dim de los canales de attention_head_dim se rotan.
rope_theta (float, por defecto 10000.0) — La base de la programación de frecuencia rotativa desde la que se calcula el búfer rope.inv_freq.
norm_eps (float, por defecto 1e-5) — Epsilon de las normas previas a la atención y al feed-forward.
qk_norm_eps (float, por defecto 1e-5) — Epsilon de las normas de consulta/clave por cabeza.
final_norm_eps (float, por defecto 1e-5) — Epsilon de la normalización de la salida del refinador de tokens y de norm_out.
num_pdd_heads (int, por defecto 6) — El número de pasos de muestreo a los que se destiló el checkpoint, cada uno con su propia cabeza de salida.

Un modelo Transformer para la generación y edición de imágenes, introducido en MiniMax-H3-Image.

Es el transformer MiniMax-H3 sin su flujo de audio: una única pila de bloques se ejecuta sobre una secuencia 1-D empaquetada que contiene la condición de texto, las filas de las imágenes de referencia y las filas de la imagen generada. La atención es autoatención completa sobre esa secuencia; no hay atención cruzada. El checkpoint se destila a un número fijo de pasos de muestreo mediante Parallel Decoding Distillation (PDD), que mantiene una cabeza de salida por paso, por lo que forward toma el índice del paso que se está ejecutando.

El llamador es responsable de construir el empaquetado: aplicar patchify a los latentes, ordenar las filas y generar la cuadrícula de posiciones (t, h, w), las etiquetas de modalidad por fila y los índices de timestep por fila. La secuencia no lleva relleno, por lo que la atención se ejecuta sin enmascarar sobre un solo documento y todos los backends de atención permanecen disponibles.

El eje de lote es un eje de replicación pura: los argumentos estructurales (timestep, timestep_indices, token_tags, position_ids y los dos tensores de índice) describen una única disposición empaquetada que comparten todos los elementos del lote.

forward

< source >

( hidden_states: Tensorencoder_hidden_states: Tensortimestep: Tensortimestep_indices: Tensortoken_tags: Tensorposition_ids: Tensorimage_indices: Tensortext_indices: Tensorpdd_step_index: intreturn_dict: bool = True ) → Transformer2DModelOutput or tuple

Parámetros

hidden_states (torch.Tensor de forma (batch_size, num_image_tokens, in_channels * prod(patch_size))) — Filas latentes en parches: las filas de las imágenes de referencia y las filas de la imagen generada, ordenadas tal como aparecen en la secuencia empaquetada, es decir, coincidiendo con image_indices.
encoder_hidden_states (torch.Tensor de forma (batch_size, num_text_tokens, text_dim)) — Condicionamiento de texto, ordenado para que coincida con text_indices.
timestep (torch.Tensor de forma (num_timesteps,)) — Los valores de timestep distintos presentes en la secuencia empaquetada, en [0, 1] y sin escalar. Una sola pasada sirve filas en diferentes niveles de ruido (filas generadas, filas de referencia).
timestep_indices (torch.Tensor de forma (seq_len,)) — Para cada fila de la secuencia empaquetada, el índice de su paso de tiempo en timestep.
token_tags (torch.Tensor de forma (seq_len,)) — Para cada fila de la secuencia empaquetada, su modalidad: 0 imagen, 1 texto.
position_ids (torch.Tensor de forma (seq_len, 3)) — Las coordenadas rotatorias (t, h, w) de cada fila de la secuencia empaquetada.
image_indices (torch.Tensor de forma (num_image_tokens,)) — Posiciones de las filas de imagen en la secuencia empaquetada.
text_indices (torch.Tensor de forma (num_text_tokens,)) — Posiciones de las filas de texto en la secuencia empaquetada.
pdd_step_index (int) — El paso de muestreo, que selecciona la cabeza de salida.
return_dict (bool, por defecto True) — Si se debe devolver un Transformer2DModelOutput en lugar de una tupla simple.

Devuelve

Transformer2DModelOutput o tuple

La velocidad de cada fila de imagen, de forma (batch_size, num_image_tokens, in_channels * prod(patch_size)), en el orden de filas de image_indices.

Update on GitHub

←LuminaNextDiT2DModel MiniMaxH3Transformer3DModel→