Diffusers 文档

混元DiT2D模型

Hugging Face's logo
加入 Hugging Face 社区

并获得增强的文档体验

开始

HunyuanDiT2DModel

来自 Hunyuan-DiT 的用于 2D 数据的 Diffusion Transformer 模型。

HunyuanDiT2DModel

class diffusers.HunyuanDiT2DModel

< >

( num_attention_heads: int = 16 attention_head_dim: int = 88 in_channels: typing.Optional[int] = None patch_size: typing.Optional[int] = None activation_fn: str = 'gelu-approximate' sample_size = 32 hidden_size = 1152 num_layers: int = 28 mlp_ratio: float = 4.0 learn_sigma: bool = True cross_attention_dim: int = 1024 norm_type: str = 'layer_norm' cross_attention_dim_t5: int = 2048 pooled_projection_dim: int = 1024 text_len: int = 77 text_len_t5: int = 256 use_style_cond_and_image_meta_size: bool = True )

参数

  • num_attention_heads (int, 可选, 默认为 16) — 用于多头注意力的头的数量。
  • attention_head_dim (int, 可选, 默认为 88) — 每个头部的通道数。
  • in_channels (int, 可选) — 输入和输出中的通道数(如果输入是连续的,请指定)。
  • patch_size (int, 可选) — 用于输入的 patch 的大小。
  • activation_fn (str, 可选, 默认为 "geglu") — 在前馈中使用的激活函数。
  • sample_size (int, 可选) — 潜在图像的宽度。这在训练期间是固定的,因为它用于学习位置嵌入的数量。
  • dropout (float, 可选, 默认为 0.0) — 要使用的 dropout 概率。
  • cross_attention_dim (int, 可选) — clip 文本嵌入中的维度数。
  • hidden_size (int, 可选) — 条件嵌入层中隐藏层的大小。
  • num_layers (int, 可选, 默认为 1) — 要使用的 Transformer 模块的层数。
  • mlp_ratio (float, 可选, 默认为 4.0) — 隐藏层大小与输入大小的比率。
  • learn_sigma (bool, 可选, 默认为 True) — 是否预测方差。
  • cross_attention_dim_t5 (int, 可选) — t5 文本嵌入中的维度数量。
  • pooled_projection_dim (int, 可选) — 池化投影的大小。
  • text_len (int, 可选) — clip 文本嵌入的长度。
  • text_len_t5 (int, 可选) — T5 文本嵌入的长度。
  • use_style_cond_and_image_meta_size (bool, 可选) — 是否使用风格条件和图像元数据大小。版本 <=1.1 时为 True,版本 >= 1.2 时为 False。

HunYuanDiT:带有 Transformer 主干的扩散模型。

继承 ModelMixin 和 ConfigMixin 以兼容 diffusers 的 sampler StableDiffusionPipeline。

enable_forward_chunking

< >

( chunk_size: typing.Optional[int] = None dim: int = 0 )

参数

  • chunk_size (int, 可选) — 前馈层块的大小。如果未指定,将分别对 dim=dim 的每个张量运行前馈层。
  • dim (int, 可选, 默认为 0) — 应在其上对前馈计算进行分块的维度。在 dim=0(批次)或 dim=1(序列长度)之间选择。

设置要使用的注意力处理器 前馈分块

forward

< >

( hidden_states timestep encoder_hidden_states = None text_embedding_mask = None encoder_hidden_states_t5 = None text_embedding_mask_t5 = None image_meta_size = None style = None image_rotary_emb = None controlnet_block_samples = None return_dict = True )

参数

  • hidden_states (torch.Tensor,形状为 (batch size, dim, height, width)) — 输入张量。
  • timestep ( torch.LongTensor, 可选) — 用于指示去噪步骤。
  • encoder_hidden_states ( torch.Tensor,形状为 (batch size, sequence len, embed dims), 可选) — 用于交叉注意力层的条件嵌入。这是 BertModel 的输出。
  • text_embedding_mask — torch.Tensor 形状为 (batch, key_tokens) 的注意力掩码应用于 encoder_hidden_states。这是 BertModel 的输出。
  • encoder_hidden_states_t5 ( torch.Tensor,形状为 (batch size, sequence len, embed dims), 可选) — 用于交叉注意力层的条件嵌入。这是 T5 文本编码器的输出。
  • text_embedding_mask_t5 — torch.Tensor 形状为 (batch, key_tokens) 的注意力掩码应用于 encoder_hidden_states。这是 T5 文本编码器的输出。
  • image_meta_size (torch.Tensor) — 条件嵌入,指示图像大小。
  • style — torch.Tensor: 条件嵌入,指示风格。
  • image_rotary_emb (torch.Tensor) — 图像旋转嵌入,用于在注意力计算期间应用于查询和键张量。
  • return_dict — bool 是否返回字典。

HunyuanDiT2DModel 的 forward 方法。

fuse_qkv_projections

< >

( )

启用融合的 QKV 投影。对于自注意力模块,所有投影矩阵(即,查询、键、值)都被融合。对于交叉注意力模块,键和值投影矩阵被融合。

此 API 处于 🧪 实验阶段。

set_attn_processor

< >

( 处理器: typing.Union[diffusers.models.attention_processor.AttnProcessor, diffusers.models.attention_processor.CustomDiffusionAttnProcessor, diffusers.models.attention_processor.AttnAddedKVProcessor, diffusers.models.attention_processor.AttnAddedKVProcessor2_0, diffusers.models.attention_processor.JointAttnProcessor2_0, diffusers.models.attention_processor.PAGJointAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGJointAttnProcessor2_0, diffusers.models.attention_processor.FusedJointAttnProcessor2_0, diffusers.models.attention_processor.AllegroAttnProcessor2_0, diffusers.models.attention_processor.AuraFlowAttnProcessor2_0, diffusers.models.attention_processor.FusedAuraFlowAttnProcessor2_0, diffusers.models.attention_processor.FluxAttnProcessor2_0, diffusers.models.attention_processor.FluxAttnProcessor2_0_NPU, diffusers.models.attention_processor.FusedFluxAttnProcessor2_0, diffusers.models.attention_processor.FusedFluxAttnProcessor2_0_NPU, diffusers.models.attention_processor.CogVideoXAttnProcessor2_0, diffusers.models.attention_processor.FusedCogVideoXAttnProcessor2_0, diffusers.models.attention_processor.XFormersAttnAddedKVProcessor, diffusers.models.attention_processor.XFormersAttnProcessor, diffusers.models.attention_processor.XLAFlashAttnProcessor2_0, diffusers.models.attention_processor.AttnProcessorNPU, diffusers.models.attention_processor.AttnProcessor2_0, diffusers.models.attention_processor.MochiVaeAttnProcessor2_0, diffusers.models.attention_processor.MochiAttnProcessor2_0, diffusers.models.attention_processor.StableAudioAttnProcessor2_0, diffusers.models.attention_processor.HunyuanAttnProcessor2_0, diffusers.models.attention_processor.FusedHunyuanAttnProcessor2_0, diffusers.models.attention_processor.PAGHunyuanAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGHunyuanAttnProcessor2_0, diffusers.models.attention_processor.LuminaAttnProcessor2_0, diffusers.models.attention_processor.FusedAttnProcessor2_0, diffusers.models.attention_processor.CustomDiffusionXFormersAttnProcessor, diffusers.models.attention_processor.CustomDiffusionAttnProcessor2_0, diffusers.models.attention_processor.SlicedAttnProcessor, diffusers.models.attention_processor.SlicedAttnAddedKVProcessor, diffusers.models.attention_processor.SanaLinearAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGSanaLinearAttnProcessor2_0, diffusers.models.attention_processor.PAGIdentitySanaLinearAttnProcessor2_0, diffusers.models.attention_processor.SanaMultiscaleLinearAttention, diffusers.models.attention_processor.SanaMultiscaleAttnProcessor2_0, diffusers.models.attention_processor.SanaMultiscaleAttentionProjection, diffusers.models.attention_processor.IPAdapterAttnProcessor, diffusers.models.attention_processor.IPAdapterAttnProcessor2_0, diffusers.models.attention_processor.IPAdapterXFormersAttnProcessor, diffusers.models.attention_processor.SD3IPAdapterJointAttnProcessor2_0, diffusers.models.attention_processor.PAGIdentitySelfAttnProcessor2_0, diffusers.models.attention_processor.PAGCFGIdentitySelfAttnProcessor2_0, diffusers.models.attention_processor.LoRAAttnProcessor, diffusers.models.attention_processor.LoRAAttnProcessor2_0, diffusers.models.attention_processor.LoRAXFormersAttnProcessor, diffusers.models.attention_processor.LoRAAttnAddedKVProcessor]]] )

参数

  • 处理器 (dict of AttentionProcessor 或仅 AttentionProcessor) — 实例化的处理器类或处理器类字典,将设置为**所有** Attention 层的处理器。

    如果 processor 是一个字典,则键需要定义到相应交叉注意力处理器的路径。强烈建议在设置可训练的注意力处理器时使用。

设置用于计算注意力的注意力处理器。

set_default_attn_processor

< >

( )

禁用自定义注意力处理器并设置默认的注意力实现。

unfuse_qkv_projections

< >

( )

如果启用,则禁用融合的 QKV 投影。

此 API 处于 🧪 实验阶段。

< > GitHub 上更新