Diffusers 文档
MochiTransformer3D模型
加入 Hugging Face 社区
并获得增强的文档体验
开始使用
MochiTransformer3D模型
Genmo在Mochi-1 Preview中介绍了用于3D视频类数据的扩散Transformer模型。
该模型可以通过以下代码片段加载。
from diffusers import MochiTransformer3DModel
transformer = MochiTransformer3DModel.from_pretrained("genmo/mochi-1-preview", subfolder="transformer", torch_dtype=torch.float16).to("cuda")MochiTransformer3D模型
类 diffusers.MochiTransformer3DModel
< 来源 >( patch_size: int = 2 num_attention_heads: int = 24 attention_head_dim: int = 128 num_layers: int = 48 pooled_projection_dim: int = 1536 in_channels: int = 12 out_channels: typing.Optional[int] = None qk_norm: str = 'rms_norm' text_embed_dim: int = 4096 time_embed_dim: int = 256 activation_fn: str = 'swiglu' max_sequence_length: int = 256 )
参数
- patch_size (
int, 默认为2) — 在补丁嵌入层中使用的补丁大小。 - num_attention_heads (
int, 默认为24) — 用于多头注意力的头数。 - attention_head_dim (
int, 默认为128) — 每个头中的通道数。 - num_layers (
int, 默认为48) — Transformer块的层数。 - in_channels (
int, 默认为12) — 输入中的通道数。 - out_channels (
int, 可选, 默认为None) — 输出中的通道数。 - qk_norm (
str, 默认为"rms_norm") — 要使用的归一化层。 - text_embed_dim (
int, 默认为4096) — 文本编码器中文本嵌入的输入维度。 - time_embed_dim (
int, 默认为256) — 时间步嵌入的输出维度。 - activation_fn (
str, 默认为"swiglu") — 在前馈中使用的激活函数。 - max_sequence_length (
int, 默认为256) — 支持的文本嵌入的最大序列长度。
Genmo在Mochi中介绍了用于视频类数据的Transformer模型。
Transformer2DModelOutput
类 diffusers.models.modeling_outputs.Transformer2DModelOutput
< 来源 >( sample: torch.Tensor )
参数
- sample (形状为
(batch_size, num_channels, height, width)的torch.Tensor或如果 Transformer2DModel是离散的，则为(batch size, num_vector_embeds - 1, num_latent_pixels)) — 基于encoder_hidden_states输入的隐藏状态输出。如果为离散，则返回未去噪潜在像素的概率分布。
Transformer2DModel 的输出。