Diffusers documentation
MochiTransformer3DModel
MochiTransformer3DModel
Genmo 在 Mochi-1 Preview 中介绍了一种用于 3D 类视频数据的 Diffusion Transformer 模型。
可以使用以下代码片段加载该模型。
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 )
参数
- patch_size (
int，默认为2) — 用于 patch 嵌入层的 patch 大小。 - num_attention_heads (
int，默认为24) — 多头注意力机制中使用的注意力头数量。 - attention_head_dim (
int，默认为128) — 每个头中的通道数。 - num_layers (
int，默认为48) — 要使用的 Transformer 块层数。 - in_channels (
int，默认为12) — 输入数据的通道数。 - out_channels (
int，可选，默认为None) — 输出中的通道数。 - qk_norm (
str，默认为"rms_norm") — 要使用的归一化层。 - text_embed_dim (
int，默认为4096) — 来自文本编码器的文本嵌入的输入维度。 - time_embed_dim (
int，默认为256) — 时间步嵌入的输出维度。 - activation_fn (
str，默认为"swiglu") — 前馈网络中使用的激活函数。 - max_sequence_length (
int，默认为256) — 支持的文本嵌入的最大序列长度。
在 Mochi 中引入的用于类视频数据的 Transformer 模型。
forward
< source >( hidden_states: Tensorencoder_hidden_states: Tensortimestep: LongTensorencoder_attention_mask: Tensorattention_kwargs: dict[str, typing.Any] | None = Nonereturn_dict: bool = True ) → torch.Tensor
参数
- hidden_states（形状为
(batch_size, num_channels, num_frames, height, width)的torch.Tensor）— 输入的hidden_states。 - encoder_hidden_states (
torch.Tensor，形状为(batch_size, sequence_len, embed_dims)) — 要使用的条件嵌入（从输入条件（例如提示词）计算得出的嵌入）。 - timestep (
torch.LongTensor) — 用于指示去噪步骤。 - encoder_attention_mask (
torch.Tensor) — 在注意力机制中应用于encoder_hidden_states的掩码。 - attention_kwargs (
dict, 可选) — 一个 kwargs 字典，如果指定，将传递给 diffusers.models.attention_processor 中定义的AttentionProcessor，该处理器在self.processor下定义。 - return_dict (
bool，可选，默认为True) — 是否返回~models.transformer_2d.Transformer2DModelOutput而不是普通的元组。
返回值
torch.Tensor
形状为 (batch_size, out_channels, num_frames, height, width) 的去噪输出张量。
MochiTransformer3DModel 的前向方法。
Transformer2DModelOutput
类 diffusers.models.modeling_outputs.Transformer2DModelOutput
< source >( sample: torch.Tensor )
参数
- sample（形状为
(batch_size, num_channels, height, width)的torch.Tensor，或者如果 Transformer2DModel 是离散的，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。如果是离散的，则返回未加噪潜在像素的概率分布。
Transformer2DModel 的输出。