Diffusers documentation
MochiTransformer3DModel
MochiTransformer3DModel
Genmo による Mochi-1 Preview で、3D ビデオ類似データ向けの Diffusion Transformer モデルが紹介されました。
モデルは、以下のコードスニペットで読み込むことができます。
from diffusers import MochiTransformer3DModel
transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", dtype=torch.float16).to("cuda") # or "mps", "xpu", "cpu"MochiTransformer3DModel
class diffusers.MochiTransformer3DModel
< source >( patch_size: int = 2num_attention_heads: int = 24attention_head_dim: int = 128num_layers: int = 48pooled_projection_dim: int = 1536in_channels: int = 12out_channels: int | None = Noneqk_norm: str = 'rms_norm'text_embed_dim: int = 4096time_embed_dim: int = 256activation_fn: str = 'swiglu'max_sequence_length: int = 256 )
パラメータ
- patch_size (
int, デフォルトは2) — パッチ埋め込み層で使用するパッチのサイズです。 - num_attention_heads (
int、デフォルトは24) — マルチヘッドアテンションで使用するヘッドの数です。 - attention_head_dim (
int、デフォルトは128) — 各ヘッドのチャネル数です。 - num_layers (
int、デフォルトは48) — 使用する Transformer ブロックの層数です。 - in_channels (
int、デフォルトは12) — 入力データのチャネル数です。 - out_channels (
int、任意、デフォルトはNone) — 出力のチャネル数。 - qk_norm (
str、デフォルトは"rms_norm") — 使用する正規化レイヤーです。 - text_embed_dim (
int、デフォルトは4096) — テキストエンコーダーからのテキスト埋め込みの入力次元数。 - time_embed_dim (
int、デフォルトは256) — タイムステップ埋め込みの出力次元数。 - activation_fn (
str、デフォルトは"swiglu") — フィードフォワード層で使用する活性化関数。 - max_sequence_length (
int、デフォルトは256) — サポートされるテキスト埋め込みの最大シーケンス長です。
Mochiで紹介された、動画のようなデータ向けの Transformer モデル。
forward
< source >( hidden_states: Tensorencoder_hidden_states: Tensortimestep: LongTensorencoder_attention_mask: Tensorattention_kwargs: dict[str, typing.Any] | None = Nonereturn_dict: bool = True ) → torch.Tensor
パラメータ
- hidden_states (
torch.Tensor、形状(batch_size, num_channels, num_frames, height, width)) — 入力となるhidden_states。 - encoder_hidden_states (
torch.Tensor、形状(batch_size, sequence_len, embed_dims)) — 使用する条件埋め込み（プロンプトなどの入力条件から計算される埋め込み）。 - timestep (
torch.LongTensor) — デノイジングステップを示すために使用されます。 - encoder_attention_mask (
torch.Tensor) — アテンション時にencoder_hidden_statesに適用されるマスク。 - attention_kwargs (
dict, 省略可) — 指定された場合、diffusers.models.attention_processor で定義されているself.processor内のAttentionProcessorに渡される kwargs 辞書です。 - return_dict (
bool、任意、デフォルトはTrue) — プレーンなタプルではなく~models.transformer_2d.Transformer2DModelOutputを返すかどうか。
戻り値
torch.Tensor
形状が(batch_size, out_channels, num_frames, height, width)のノイズ除去済み出力テンソル。
MochiTransformer3DModelのforwardメソッドです。
Transformer2DModelOutput
クラス diffusers.models.modeling_outputs.Transformer2DModelOutput
< source >( sample: torch.Tensor )
パラメータ
- sample (
torch.Tensor、形状(batch_size, num_channels, height, width)、または Transformer2DModel が離散型の場合(batch size, num_vector_embeds - 1, num_latent_pixels)) —encoder_hidden_states入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。
Transformer2DModelの出力です。