# Lumina2Transformer2DModel

Alpha-VLLM 在 [Lumina Image 2.0](https://huggingface.co/Alpha-VLLM/Lumina-Image-2.0) 中引入了一个用于 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。

```python
from diffusers import Lumina2Transformer2DModel

transformer = Lumina2Transformer2DModel.from_pretrained("Alpha-VLLM/Lumina-Image-2.0", subfolder="transformer", dtype=torch.bfloat16)
```

## Lumina2Transformer2DModel[[diffusers.Lumina2Transformer2DModel]]

#### diffusers.Lumina2Transformer2DModel[[diffusers.Lumina2Transformer2DModel]]

```python
diffusers.Lumina2Transformer2DModel(sample_size: int = 128, patch_size: int = 2, in_channels: int = 16, out_channels: int | None = None, hidden_size: int = 2304, num_layers: int = 26, num_refiner_layers: int = 2, num_attention_heads: int = 24, num_kv_heads: int = 8, multiple_of: int = 256, ffn_dim_multiplier: float | None = None, norm_eps: float = 1e-05, scaling_factor: float = 1.0, axes_dim_rope: tuple[int, int, int] = (32, 32, 32), axes_lens: tuple[int, int, int] = (300, 512, 512), cap_feat_dim: int = 1024)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_lumina2.py#L327)

**参数：**

sample_size (`int`) : 潜在图像的宽度。由于该值用于学习位置嵌入的数量，因此在训练过程中是固定的。

patch_size (`int`，*可选*，(`int`，*可选*，默认值为 2)：图像中每个 patch 的尺寸。此参数定义了输入模型的 patch 的分辨率。

in_channels (`int`，*可选*，默认值为 4)：模型的输入通道数。通常，该值与输入图像的通道数一致。

hidden_size (`int`，*可选*，默认值为 4096)：模型中隐藏层的维度。该参数决定了模型隐藏表示的宽度。

num_layers (`int`，*可选*，默认值为 32)：模型中的层数。这定义了神经网络的深度。

num_attention_heads (`int`，*可选*，默认值为 32)：每个注意力层中的注意力头数量。此参数指定使用多少个独立的注意力机制。

num_kv_heads (`int`，*可选*，默认为 8)：注意力机制中键值头的数量（如果与注意力头数量不同）。如果为 None，则默认为 num_attention_heads。

multiple_of (`int`，*可选*，默认为 256)：隐藏层大小应为该因子的倍数。这有助于优化某些硬件配置。

ffn_dim_multiplier (`float`, *可选*) : 前馈网络维度的乘数。如果为 None，则使用基于模型配置的默认值。

norm_eps (`float`, *可选*，默认为 1e-5)：在归一化层中，为分母添加的一个小值，用于保证数值稳定性。

scaling_factor (`float`，*可选*，默认值为 1.0)：应用于模型中特定参数或层的缩放因子。可用于调整模型运算的整体尺度。

Lumina2NextDiT：采用 Transformer 骨干网络的扩散模型。

#### forward[[diffusers.Lumina2Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, encoder_attention_mask: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_lumina2.py#L460)

**参数：**

hidden_states (`torch.Tensor`，形状为 `(batch_size, in_channels, height, width)`)：输入 `hidden_states`。

timestep (`torch.LongTensor`)：用于指示去噪步骤。

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）。

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，将作为参数传递给 [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) 中 `self.processor` 下定义的 `AttentionProcessor`。

return_dict (`bool`，*可选*，默认为 `True`)：是否返回 `~models.transformer_2d.Transformer2DModelOutput` 而不是普通元组。

**返回值：**

如果 `return_dict` 为 True，则返回 `~models.transformer_2d.Transformer2DModelOutput`，否则返回一个 `tuple`，其中第一个元素是样本张量。

[Lumina2Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/lumina2_transformer2d#diffusers.Lumina2Transformer2DModel) 的前向方法。

## Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

#### diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

```python
diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)
```

[源代码](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/modeling_outputs.py#L21)

**参数：**

sample (`torch.Tensor`，形状为 `(batch_size, num_channels, height, width)`；若 [Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/transformer2d#diffusers.Transformer2DModel) 为离散模式，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。若为离散模式，则返回未加噪潜在像素的概率分布。

[Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/transformer2d#diffusers.Transformer2DModel) 的输出。