Hugging Face's logo

Diffusers documentation

CogVideoXTransformer3DModel

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

CogVideoXTransformer3DModel

A Diffusion Transformer model for 3D data from CogVideoX was introduced in CogVideoX: Text-to-Video Diffusion Models with An Expert Transformer by Tsinghua University & ZhipuAI.

다음 코드 스니펫으로 모델을 로드할 수 있습니다.

from diffusers import CogVideoXTransformer3DModel

transformer = CogVideoXTransformer3DModel.from_pretrained("THUDM/CogVideoX-2b", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"

CogVideoXTransformer3DModel

클래스 diffusers.CogVideoXTransformer3DModel

< >

( num_attention_heads: int = 30attention_head_dim: int = 64in_channels: int = 16out_channels: int | None = 16flip_sin_to_cos: bool = Truefreq_shift: int = 0time_embed_dim: int = 512ofs_embed_dim: int | None = Nonetext_embed_dim: int = 4096num_layers: int = 30dropout: float = 0.0attention_bias: bool = Truesample_width: int = 90sample_height: int = 60sample_frames: int = 49patch_size: int = 2patch_size_t: int | None = Nonetemporal_compression_ratio: int = 4max_text_seq_length: int = 226activation_fn: str = 'gelu-approximate'timestep_activation_fn: str = 'silu'norm_elementwise_affine: bool = Truenorm_eps: float = 1e-05spatial_interpolation_scale: float = 1.875temporal_interpolation_scale: float = 1.0use_rotary_positional_embeddings: bool = Falseuse_learned_positional_embeddings: bool = Falsepatch_bias: bool = True )

매개변수

  • num_attention_heads (int, 기본값 30) — 멀티헤드 어텐션에 사용할 헤드의 수입니다.
  • attention_head_dim (int, 기본값 64) — 각 헤드당 채널 수입니다.
  • in_channels (int, 기본값 16) — 입력의 채널 수입니다.
  • out_channels (int, 선택 사항, 기본값 16) — 출력의 채널 수입니다.
  • flip_sin_to_cos (bool, 기본값 True) — 시간 임베딩에서 sin을 cos로 전환할지 여부.
  • time_embed_dim (int, 기본값 512) — timestep 임베딩의 출력 차원입니다.
  • ofs_embed_dim (int, 기본값 512) — CogVideoX-5b-I2B 1.5 버전에서 사용되는 “ofs” 임베딩의 출력 차원
  • text_embed_dim (int, 기본값 4096) — 텍스트 인코더에서 생성된 텍스트 임베딩의 입력 차원입니다.
  • num_layers (int, 기본값 30) — 사용할 Transformer 블록의 레이어 수입니다.
  • dropout (float, 기본값 0.0) — 사용할 dropout 확률입니다.
  • attention_bias (bool, 기본값 True) — Attention projection layer에 bias를 사용할지 여부입니다.
  • sample_width (int, 기본값 90) — 입력 latents의 너비입니다.
  • sample_height (int, 기본값 60) — 입력 latents의 높이입니다.
  • sample_frames (int, 기본값 49) — 입력 latents의 프레임 수입니다. CogVideoX의 기본 및 권장 설정에서 13개의 latent 프레임을 한 번에 처리했기 때문에 이 파라미터는 13이 아닌 49로 잘못 초기화되었습니다. 하지만 후방 호환성을 보장하기 위해 올바른 값으로 변경할 수 없습니다. K개의 latent 프레임을 가진 transformer를 생성하려면 여기에 전달해야 할 올바른 값은 ((K - 1) * temporal_compression_ratio + 1)입니다.
  • patch_size (int, 기본값 2) — 패치 임베딩 레이어에서 사용할 패치의 크기입니다.
  • temporal_compression_ratio (int, 기본값 4) — 시간 차원에서의 압축 비율입니다. sample_frames의 문서를 참조하세요.
  • max_text_seq_length (int, 기본값 226) — 입력 텍스트 임베딩의 최대 시퀀스 길이입니다.
  • activation_fn (str, 기본값 "gelu-approximate") — 피드포워드에서 사용할 활성화 함수입니다.
  • timestep_activation_fn (str, 기본값 "silu") — timestep 임베딩을 생성할 때 사용할 활성화 함수입니다.
  • norm_elementwise_affine (bool, 기본값 True) — 정규화 레이어에서 elementwise affine을 사용할지 여부입니다.
  • norm_eps (float, 기본값 1e-5) — 정규화 레이어에서 사용할 epsilon 값입니다.
  • spatial_interpolation_scale (float, 기본값 1.875) — 공간 차원에 걸쳐 3D 위치 임베딩에 적용할 스케일링 계수입니다.
  • temporal_interpolation_scale (float, 기본값 1.0) — 시간 차원에 걸쳐 3D 위치 임베딩에 적용할 스케일링 계수입니다.

CogVideoX의 비디오 유사 데이터용 Transformer 모델입니다.

forward

< >

( hidden_states: Tensorencoder_hidden_states: Tensortimestep: typing.Union[int, float, torch.LongTensor]timestep_cond: typing.Optional[torch.Tensor] = Noneofs: typing.Union[int, float, torch.LongTensor, NoneType] = Noneimage_rotary_emb: tuple[torch.Tensor, torch.Tensor] | None = Noneattention_kwargs: dict[str, typing.Any] | None = Nonereturn_dict: bool = True )

매개변수

  • hidden_states (torch.Tensor, shape (batch_size, num_frames, channels, height, width)) — 입력 hidden_states.
  • encoder_hidden_states (torch.Tensor, shape (batch_size, sequence_len, embed_dims)) — 사용할 조건 임베딩(프롬프트와 같은 입력 조건에서 계산된 임베딩).
  • timestep (torch.LongTensor) — 디노이징 단계를 나타내는 데 사용됩니다.
  • timestep_cond (torch.Tensor, 선택 사항) — timestep에 대한 조건부 임베딩입니다. 제공된 경우, 해당 임베딩은 self.time_embedding 레이어를 통과한 샘플과 합산되어 최종 timestep 임베딩을 생성합니다.
  • ofs (torch.Tensor, 선택 사항) — CogVideoX-5b-I2V에서 사용되는 오프셋 임베딩입니다.
  • image_rotary_emb (tuple of torch.Tensor, 선택 사항) — 사전 계산된 회전 위치 임베딩입니다.
  • attention_kwargs (dict, 선택 사항) — 지정된 경우 diffusers.models.attention_processor의 self.processor에서 정의된 AttentionProcessor로 전달되는 kwargs 사전입니다.
  • return_dict (bool, 선택 사항, 기본값 True) — 단순 tuple 대신 ~models.transformer_2d.Transformer2DModelOutput를 반환할지 여부.

CogVideoXTransformer3DModel의 forward 메서드입니다.

fuse_qkv_projections

< >

( )

융합된 QKV 투영을 활성화합니다. 셀프 어텐션 모듈의 경우, 모든 투영 행렬(즉, 쿼리, 키, 값)이 융합됩니다. 크로스 어텐션 모듈의 경우, 키와 값 투영 행렬이 융합됩니다.

> 이 API는 🧪 실험적입니다.

unfuse_qkv_projections

< >

( )

활성화된 경우, 융합된 QKV 투영을 비활성화합니다.

> 이 API는 🧪 실험적입니다.

Transformer2DModelOutput

클래스 diffusers.models.modeling_outputs.Transformer2DModelOutput

< >

( sample: torch.Tensor )

매개변수

  • sample (torch.Tensor, shape (batch_size, num_channels, height, width) 또는 Transformer2DModel이 discrete인 경우 (batch size, num_vector_embeds - 1, num_latent_pixels)) — encoder_hidden_states 입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.

Transformer2DModel의 출력입니다.

Update on GitHub

←ChronoEditTransformer3DModel CogView3PlusTransformer2DModel→