# OvisImageTransformer2DModel

Model dapat dimuat dengan potongan kode berikut.

```python
from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)
```

## OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

#### diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

```python
diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple = (16, 56, 56))
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**Parameter:**

patch_size (`int`, defaultnya `1`) : Ukuran patch untuk mengubah data input menjadi patch kecil.

in_channels (`int`, defaultnya `64`) : Jumlah channel pada input.

out_channels (`int`, *opsional*, defaultnya `None`) : Jumlah channel pada output. Jika tidak ditentukan, defaultnya adalah `in_channels`.

num_layers (`int`, defaultnya `6`) : Jumlah lapisan blok DiT dual stream yang akan digunakan.

num_single_layers (`int`, defaultnya `27`) : Jumlah lapisan blok DiT single stream yang akan digunakan.

attention_head_dim (`int`, defaultnya `128`) : Jumlah dimensi yang digunakan untuk setiap kepala perhatian.

num_attention_heads (`int`, defaultnya `24`) : Jumlah kepala perhatian (attention heads) yang akan digunakan.

joint_attention_dim (`int`, defaultnya `2048`) : Jumlah dimensi yang digunakan untuk perhatian gabungan (dimensi embedding/channel dari `encoder_hidden_states`).

axes_dims_rope (`tuple[int]`, defaultnya `(16, 56, 56)`) : Dimensi yang digunakan untuk embedding posisi rotasi.

Model Transformer yang diperkenalkan dalam Ovis-Image.

Referensi: https://github.com/AIDC-AI/Ovis-Image

#### forward[[diffusers.OvisImageTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, timestep: LongTensor = None, img_ids: Tensor = None, txt_ids: Tensor = None, joint_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(batch_size, image_sequence_length, in_channels)`) : `hidden_states` masukan.

encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, text_sequence_length, joint_attention_dim)`) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) yang akan digunakan.

timestep (`torch.LongTensor`) : Digunakan untuk menunjukkan langkah denoising.

img_ids : (`torch.Tensor`): ID posisi untuk token gambar.

txt_ids (`torch.Tensor`) : id posisi untuk token teks.

joint_attention_kwargs (`dict`, *opsional*) : Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

**Mengembalikan:**

Jika `return_dict` bernilai True, sebuah `~models.transformer_2d.Transformer2DModelOutput` akan dikembalikan, selain itu sebuah `tuple` di mana elemen pertama adalah tensor sampel.

Metode forward dari [OvisImageTransformer2DModel](/docs/diffusers/main/id/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).