# OvisImageTransformer2DModel

モデルは、以下のコードスニペットで読み込むことができます。

```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))
```

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

**パラメータ:**

patch_size (`int`、デフォルトは`1`) : 入力データを小さなパッチに変換するためのパッチサイズ。

in_channels (`int`、デフォルトは`64`) : 入力におけるチャネル数。

out_channels (`int`、*任意*、デフォルトは `None`) : 出力のチャネル数です。指定しない場合、デフォルトで `in_channels` になります。

num_layers (`int`、デフォルトは`6`) : 使用するデュアルストリームDiTブロックの層数。

num_single_layers (`int`、デフォルトは`27`) : 使用する単一ストリームDiTブロックの層数。

attention_head_dim (`int`、デフォルトは`128`) : 各アテンションヘッドに使用する次元数。

num_attention_heads (`int`、デフォルトは`24`) : 使用するアテンションヘッドの数。

joint_attention_dim (`int`、デフォルトは`2048`) : 結合アテンションに使用する次元数(`encoder_hidden_states`の埋め込み/チャネル次元)。

axes_dims_rope (`tuple[int]`、デフォルトは`(16, 56, 56)`) : 回転位置埋め込みに使用する次元数。

Ovis-Image で導入された Transformer モデル。

参考: 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)
```

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

**パラメータ:**

hidden_states (`torch.Tensor`、形状 `(batch_size, image_sequence_length, in_channels)`) : 入力 `hidden_states`。

encoder_hidden_states (`torch.Tensor`、shape `(batch_size, text_sequence_length, joint_attention_dim)`) : 使用する条件埋め込み（プロンプトなどの入力条件から計算される埋め込み）。

timestep (`torch.LongTensor`) : デノイジングステップを示すために使用されます。

img_ids : (`torch.Tensor`): 画像トークンの位置 ID。

txt_ids (`torch.Tensor`) : テキストトークンの位置IDです。

joint_attention_kwargs (`dict`, *任意*) : 指定された場合、[diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) の `self.processor` で定義されている `AttentionProcessor` に渡される kwargs の辞書です。

return_dict (`bool`、*任意*、デフォルトは`True`) : プレーンなタプルではなく`~models.transformer_2d.Transformer2DModelOutput`を返すかどうか。

**戻り値:**

`return_dict` が True の場合、`~models.transformer_2d.Transformer2DModelOutput` が返され、それ以外の場合は、最初の要素がサンプルテンソルである `tuple` が返されます。

[OvisImageTransformer2DModel](/docs/diffusers/v0.43.0/ja/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel)のforwardメソッドです。