Diffusers 文档

SD3 Transformer 模型

Hugging Face's logo
加入 Hugging Face 社区

并获取增强的文档体验

开始使用

SD3 Transformer 模型

Stable Diffusion 3 中引入的 Transformer 模型。其新颖之处在于 MMDiT transformer 模块。

SD3Transformer2DModel

class diffusers.SD3Transformer2DModel

< >

( sample_size: int = 128 patch_size: int = 2 in_channels: int = 16 num_layers: int = 18 attention_head_dim: int = 64 num_attention_heads: int = 18 joint_attention_dim: int = 4096 caption_projection_dim: int = 1152 pooled_projection_dim: int = 2048 out_channels: int = 16 pos_embed_max_size: int = 96 dual_attention_layers: typing.Tuple[int, ...] = () qk_norm: typing.Optional[str] = None )

参数

  • sample_size (int) — 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。
  • patch_size (int) — 用于将输入数据转换为小块的块大小。
  • in_channels (int, 可选,默认为 16) — 输入中的通道数。
  • num_layers (int, 可选,默认为 18) — 要使用的 Transformer 块的层数。
  • attention_head_dim (int, 可选,默认为 64) — 每个头部的通道数。
  • num_attention_heads (int, 可选,默认为 18) — 用于多头注意力的头数。
  • cross_attention_dim (int, 可选) — 要使用的 encoder_hidden_states 维度数。
  • caption_projection_dim (int) — 投影 encoder_hidden_states 时使用的维度数。
  • pooled_projection_dim (int) — 投影 pooled_projections 时使用的维度数。
  • out_channels (int, defaults to 16) — 输出通道的数量,默认为 16。

Stable Diffusion 3 中引入的 Transformer 模型。

参考链接: https://arxiv.org/abs/2403.03206

enable_forward_chunking

< >

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

参数

  • chunk_size (int, optional) — 前馈层的块大小。如果未指定,则将对 dim=dim 的每个张量单独运行前馈层。
  • dim (int, optional, defaults to 0) — 应该在其上进行分块前馈计算的维度。在 dim=0(批次)或 dim=1(序列长度)之间选择。

设置注意力处理器以使用 前馈分块

forward

< >

( hidden_states: FloatTensor encoder_hidden_states: FloatTensor = None pooled_projections: FloatTensor = None timestep: LongTensor = None block_controlnet_hidden_states: typing.List = None joint_attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None return_dict: bool = True skip_layers: typing.Optional[typing.List[int]] = None )

参数

  • hidden_states (torch.FloatTensor,形状为 (batch size, channel, height, width)) — 输入的 hidden_states
  • encoder_hidden_states (torch.FloatTensor,形状为 (batch size, sequence_len, embed_dims)) — 要使用的条件嵌入(从输入条件(如提示)计算出的嵌入)。
  • pooled_projections (torch.FloatTensor,形状为 (batch_size, projection_dim)) — 从输入条件的嵌入投影的嵌入。
  • timestep (torch.LongTensor) — 用于指示去噪步骤。
  • block_controlnet_hidden_states (list of torch.Tensor) — 张量列表,如果指定,则添加到 Transformer 块的残差中。
  • joint_attention_kwargs (dict, optional) — 一个 kwargs 字典,如果指定,则传递给 diffusers.models.attention_processorself.processor 下定义的 AttentionProcessor
  • return_dict (bool, optional, defaults to True) — 是否返回 ~models.transformer_2d.Transformer2DModelOutput 而不是普通元组。
  • skip_layers (list of int, optional) — 在前向传播期间要跳过的层索引列表。

SD3Transformer2DModel 的前向方法。

fuse_qkv_projections

< >

( )

启用融合 QKV 投影。对于自注意力模块,所有投影矩阵(即,查询、键、值)都融合在一起。对于交叉注意力模块,键和值投影矩阵融合在一起。

此 API 是 🧪 实验性的。

set_attn_processor

< >

( processor: 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

  • processor (dict of AttentionProcessor or only AttentionProcessor) — 实例化的处理器类或处理器类字典,它将被设置为所有 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。当设置可训练的注意力处理器时,强烈建议这样做。

设置要用于计算注意力的注意力处理器。

unfuse_qkv_projections

< >

( )

如果已启用,则禁用融合的 QKV 投影。

此 API 是 🧪 实验性的。

< > 在 GitHub 上更新