Hugging Face's logo

Diffusers documentation

ZImageTransformer2DModel

Hugging Face's logo
Join the Hugging Face community

and get access to the augmented documentation experience

to get started

ZImageTransformer2DModel

Модель Transformer для изображений от Z-Image.

ZImageTransformer2DModel

класс diffusers.ZImageTransformer2DModel

< >

( all_patch_size = (2,)all_f_patch_size = (1,)in_channels = 16dim = 3840n_layers = 30n_refiner_layers = 2n_heads = 30n_kv_heads = 30norm_eps = 1e-05qk_norm = Truecap_feat_dim = 2560siglip_feat_dim = Nonerope_theta = 256.0t_scale = 1000.0axes_dims = [32, 48, 48]axes_lens = [1024, 512, 512] )

forward

< >

( x: list[torch.Tensor, list[list[torch.Tensor]]]tcap_feats: list[torch.Tensor, list[list[torch.Tensor]]]return_dict: bool = Truecontrolnet_block_samples: dict[int, torch.Tensor] | None = Nonesiglip_feats: list[list[torch.Tensor]] | None = Noneimage_noise_mask: list[list[int]] | None = Nonepatch_size: int = 2f_patch_size: int = 1joint_attention_kwargs: dict[str, typing.Any] | None = None )

Параметры

  • x (list из torch.Tensor или вложенный list из torch.Tensor) — Входные латенты. Плоский список при работе в стандартном режиме или вложенный список при работе в режиме omni.
  • t (torch.Tensor) — Используется для указания шага денойзинга.
  • cap_feats (list из torch.Tensor или вложенный list из torch.Tensor) — Условные эмбеддинги подписей (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.
  • return_dict (bool, необязательный, по умолчанию True) — Определяет, следует ли возвращать ~models.transformer_2d.Transformer2DModelOutput вместо обычного кортежа.
  • controlnet_block_samples (dict из int в torch.Tensor, необязательный) — Сопоставление индекса блока с тензором, которые при указании добавляются к остаткам блоков трансформера.
  • siglip_feats (list из list из torch.Tensor, необязательный) — Необязательные признаки изображений SigLIP, используемые в качестве дополнительного условия.
  • image_noise_mask (list of list of int, необязательный) — Маски шума для каждого изображения, указывающие на шумовые и чистые токены в режиме omni.
  • patch_size (int, необязательный, по умолчанию 2) — Пространственный размер патча, используемый для разбиения входных латентов на патчи.
  • f_patch_size (int, необязательный, по умолчанию 1) — Размер временного патча, используемого для патчификации входных латентов.
  • joint_attention_kwargs (dict, необязательный) — Словарь kwargs. Используется только запись scale для масштабирования слоёв LoRA.

Метод forward модели ZImageTransformer2DModel.

Поток: patchify -> t_embed -> x_embed -> x_refine -> cap_embed -> cap_refine -> [siglip_embed -> siglip_refine] -> build_unified -> main_layers -> final_layer -> unpatchify

patchify_and_embed

< >

( all_image: list[torch.Tensor]all_cap_feats: list[torch.Tensor]patch_size: intf_patch_size: int )

Patchify для базового режима: одно изображение на элемент батча.

patchify_and_embed_omni

< >

( all_x: list[list[torch.Tensor]]all_cap_feats: list[list[torch.Tensor]]all_siglip_feats: list[list[torch.Tensor]]patch_size: intf_patch_size: intimages_noise_mask: list[list[int]] )

Patchify для режима omni: несколько изображений на элемент батча с масками шума.

Update on GitHub

←WanTransformer3DModel StableCascadeUNet→