# OvisImageTransformer2DModel

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

```python
from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)
```

## OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

#### diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

```python
diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple[int, int, int] = (16, 56, 56))
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**Parámetros:**

patch_size (`int`, por defecto `1`) : Tamaño del parche para convertir los datos de entrada en pequeños parches.

in_channels (`int`, por defecto `64`) : El número de canales en la entrada.

out_channels (`int`, *opcional*, valor predeterminado `None`) : El número de canales en la salida. Si no se especifica, el valor predeterminado es `in_channels`.

num_layers (`int`, por defecto `6`) : El número de capas de bloques DiT de doble flujo a utilizar.

num_single_layers (`int`, por defecto `27`) : El número de capas de bloques DiT de un solo flujo a utilizar.

attention_head_dim (`int`, por defecto `128`) : El número de dimensiones a utilizar para cada cabeza de atención.

num_attention_heads (`int`, por defecto `24`) : El número de cabezas de atención a utilizar.

joint_attention_dim (`int`, por defecto `2048`) : El número de dimensiones a utilizar para la atención conjunta (dimensión de incrustación/canal de `encoder_hidden_states`).

axes_dims_rope (`tuple[int]`, por defecto `(16, 56, 56)`) : Las dimensiones a utilizar para los embeddings posicionales rotatorios.

El modelo Transformer introducido en Ovis-Image.

Referencia: https://github.com/AIDC-AI/Ovis-Image

#### forward[[diffusers.OvisImageTransformer2DModel.forward]]

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

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

**Parámetros:**

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

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, text_sequence_length, joint_attention_dim)`) : 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.

img_ids : (`torch.Tensor`): Los ids de posición para los tokens de imagen.

txt_ids (`torch.Tensor`) : Los ids de posición para los tokens de texto.

joint_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.

**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 [OvisImageTransformer2DModel](/docs/diffusers/v0.43.0/es/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).