# OvisImageTransformer2DModel

Модель можно загрузить с помощью следующего фрагмента кода.

```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[int, int, int] = (16, 56, 56))
```

[Источник](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**Параметры:**

patch_size (`int`, по умолчанию `1`) : Размер патча для разбиения входных данных на небольшие патчи.

in_channels (`int`, по умолчанию `64`) : количество каналов на входе.

out_channels (`int`, *необязательный*, по умолчанию `None`) : Количество каналов на выходе. Если не указано, по умолчанию используется `in_channels`.

num_layers (`int`, по умолчанию `6`) : Количество используемых блоков dual stream DiT.

num_single_layers (`int`, по умолчанию `27`) : Количество слоев однопоточных блоков DiT, которые следует использовать.

attention_head_dim (`int`, по умолчанию `128`) : Количество измерений, используемых для каждой головы внимания.

num_attention_heads (`int`, по умолчанию `24`) : Количество используемых голок внимания.

joint_attention_dim (`int`, по умолчанию `2048`) : Количество измерений, используемых для совместного внимания (размерность встраивания/канала `encoder_hidden_states`).

axes_dims_rope (`tuple[int]`, по умолчанию `(16, 56, 56)`) : Размеры, используемые для вращательных позиционных эмбеддингов.

Модель Transformer, представленная в Ovis-Image.

Справочник: 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)
```

[Источник](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

**Параметры:**

hidden_states (`torch.Tensor` формы `(batch_size, image_sequence_length, in_channels)`) : Входные `hidden_states`.

encoder_hidden_states (`torch.Tensor` формы `(batch_size, text_sequence_length, joint_attention_dim)`) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

timestep (`torch.LongTensor`) : Используется для указания шага денойзинга.

img_ids : (`torch.Tensor`): идентификаторы позиций для токенов изображения.

txt_ids (`torch.Tensor`) : идентификаторы позиций для текстовых токенов.

joint_attention_kwargs (`dict`, *необязательный*) : Словарь kwargs, который при указании передается в `AttentionProcessor`, определенный в `self.processor` в [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `~models.transformer_2d.Transformer2DModelOutput` вместо обычного кортежа.

**Возвращает:**

Если `return_dict` равно True, возвращается `~models.transformer_2d.Transformer2DModelOutput`, иначе — `tuple`, первым элементом которого является тензор выборки.

Метод forward модели [OvisImageTransformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).