# CogView4Transformer2DModel

Un modelo Diffusion Transformer para datos 2D de [CogView4]()

El modelo se puede cargar con el siguiente fragmento de código.

```python
from diffusers import CogView4Transformer2DModel

transformer = CogView4Transformer2DModel.from_pretrained("THUDM/CogView4-6B", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

#### diffusers.CogView4Transformer2DModel[[diffusers.CogView4Transformer2DModel]]

```python
diffusers.CogView4Transformer2DModel(patch_size: int = 2, in_channels: int = 16, out_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128, rope_axes_dim: tuple[int, int] = (256, 256))
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview4.py#L617)

**Parámetros:**

patch_size (`int`, por defecto `2`) : El tamaño de los parches a utilizar en la capa de incrustación de parches.

in_channels (`int`, por defecto `16`) : El número de canales en la entrada.

num_layers (`int`, por defecto `30`) : El número de bloques de Transformer a utilizar.

attention_head_dim (`int`, por defecto `40`) : El número de canales en cada cabeza.

num_attention_heads (`int`, por defecto `64`) : El número de cabezas a utilizar para la atención multi-cabeza.

out_channels (`int`, por defecto `16`) : El número de canales en la salida.

text_embed_dim (`int`, por defecto `4096`) : Dimensión de entrada de las incrustaciones de texto del codificador de texto.

time_embed_dim (`int`, por defecto `512`) : Dimensión de salida de las incrustaciones de paso de tiempo.

condition_dim (`int`, por defecto `256`) : La dimensión de la incrustación de las condiciones de resolución estilo SDXL de entrada (original_size, target_size, crop_coords).

pos_embed_max_size (`int`, por defecto `128`) : La resolución máxima de los embeddings posicionales, de la cual se toman rebanadas de forma `H x W` y se suman a los latentes de entrada parcheados, donde `H` y `W` son la altura y el ancho del latente, respectivamente. Un valor de 128 significa que la altura y el ancho máximos admitidos para la generación de imágenes son `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048`.

sample_size (`int`, por defecto `128`) : La resolución base de los latentes de entrada. Si no se proporciona altura/ancho durante la generación, este valor se utiliza para determinar la resolución como `sample_size * vae_scale_factor => 128 * 8 => 1024`

#### forward[[diffusers.CogView4Transformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, attention_mask: typing.Optional[torch.Tensor] = None, image_rotary_emb: tuple[torch.Tensor, torch.Tensor] | list[tuple[torch.Tensor, torch.Tensor]] | None = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cogview4.py#L704)

**Parámetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, in_channels, height, width)`) : `hidden_states` de entrada.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

timestep (`torch.LongTensor`) : Se utiliza para indicar el paso de desruido.

original_size (`torch.Tensor`) : Condicionamiento del tamaño original de la imagen.

target_size (`torch.Tensor`) : Condicionamiento del tamaño de la imagen objetivo.

crop_coords (`torch.Tensor`) : Condicionamiento de coordenadas de recorte.

attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que, si se especifica, se pasa al `AttentionProcessor` tal como se define bajo `self.processor` en [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un `~models.transformer_2d.Transformer2DModelOutput` en lugar de una tupla simple.

attention_mask (`torch.Tensor`, *opcional*) : Máscara aplicada a las puntuaciones de atención.

image_rotary_emb (`tuple` de `torch.Tensor`, *opcional*) : Incrustaciones posicionales rotatorias precalculadas.

**Devuelve:**

Si `return_dict` es True, se devuelve un `~models.transformer_2d.Transformer2DModelOutput`; en caso contrario, se devuelve una `tuple` cuyo primer elemento es el tensor de la muestra.

El método forward de [CogView4Transformer2DModel](/docs/diffusers/v0.43.0/es/api/models/cogview4_transformer2d#diffusers.CogView4Transformer2DModel).

## 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)
```

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

**Parámetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/v0.43.0/es/api/models/transformer2d#diffusers.Transformer2DModel) es discreto): las salidas de estados ocultos condicionadas a la entrada `encoder_hidden_states`. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido.

La salida de [Transformer2DModel](/docs/diffusers/v0.43.0/es/api/models/transformer2d#diffusers.Transformer2DModel).