Diffusers documentation
QwenImageTransformer2DModel
QwenImageTransformer2DModel
可以使用以下代码片段加载该模型。
from diffusers import QwenImageTransformer2DModel
transformer = QwenImageTransformer2DModel.from_pretrained("Qwen/QwenImage-20B", subfolder="transformer", dtype=torch.bfloat16)QwenImageTransformer2DModel
类 diffusers.QwenImageTransformer2DModel
< source >( patch_size: int = 2in_channels: int = 64out_channels: int | None = 16num_layers: int = 60attention_head_dim: int = 128num_attention_heads: int = 24joint_attention_dim: int = 3584guidance_embeds: bool = Falseaxes_dims_rope: tuple = (16, 56, 56)zero_cond_t: bool = Falseuse_additional_t_cond: bool = Falseuse_layer3d_rope: bool = False )
参数
- patch_size (
int，默认为2) — 用于将输入数据划分为小块的块大小。 - in_channels (
int，默认为64) — 输入数据的通道数。 - out_channels (
int，可选，默认为None) — 输出通道数。如果未指定，则默认为in_channels。 - num_layers (
int，默认为60) — 要使用的双流 DiT 块层数。 - attention_head_dim (
int，默认为128) — 每个注意力头使用的维度数。 - num_attention_heads (
int，默认为24) — 要使用的注意力头数量。 - joint_attention_dim (
int，默认为3584) — 用于联合注意力的维度数（encoder_hidden_states的嵌入/通道维度）。 - guidance_embeds（
bool，默认为False）— 是否对模型的 guidance 蒸馏变体使用 guidance 嵌入。 - axes_dims_rope (
tuple[int]，默认为(16, 56, 56)) — 用于旋转位置嵌入的维度。
Qwen 中引入的 Transformer 模型。
forward
< source >( hidden_states: Tensorencoder_hidden_states: Tensor = Noneencoder_hidden_states_mask: Tensor = Nonetimestep: LongTensor = Noneimg_shapes: list[tuple[int, int, int]] | None = Noneguidance: Tensor = Noneattention_kwargs: dict[str, typing.Any] | None = Nonecontrolnet_block_samples = Noneadditional_t_cond = Nonereturn_dict: bool = True )
参数
- hidden_states（形状为
(batch_size, image_sequence_length, in_channels)的torch.Tensor）— 输入的hidden_states。 - encoder_hidden_states（形状为
(batch_size, text_sequence_length, joint_attention_dim)的torch.Tensor）— 要使用的条件嵌入（由输入条件（例如提示词）计算得出的嵌入）。 - encoder_hidden_states_mask (
torch.Tensor，形状为(batch_size, text_sequence_length)，可选) — 编码器隐藏状态的掩码。有效 token 处应为 1.0，填充 token 处应为 0.0。 该掩码在注意力处理器中使用，以防止注意力机制关注填充 token。由于掩码在注意力计算中是逐元素应用的，因此它可以具有任意模式（而不仅仅是连续的有效 token 后跟填充）。 - timestep (
torch.LongTensor) — 用于指示去噪步骤。 - img_shapes (
list[tuple[int, int, int]]，可选) — 用于 RoPE 计算的图像形状。 - guidance (
torch.Tensor, 可选) — 用于条件生成的引导张量。 - 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。 - controlnet_block_samples（可选）— 要添加到 transformer 块中的 ControlNet 块样本。
- additional_t_cond (
torch.Tensor，可选) — 添加到时间步嵌入中的额外时间步条件。 - 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。
QwenTransformer2DModel 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。