Diffusers documentation
SkyReelsV2Transformer3DModel
SkyReelsV2Transformer3DModel
Skywork AI による SkyReels-V2 で、3D ビデオ類似データ向けの Diffusion Transformer モデルが紹介されました。
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。
from diffusers import SkyReelsV2Transformer3DModel
transformer = SkyReelsV2Transformer3DModel.from_pretrained("Skywork/SkyReels-V2-DF-1.3B-540P-Diffusers", subfolder="transformer", dtype=torch.bfloat16)SkyReelsV2Transformer3DModel
class diffusers.SkyReelsV2Transformer3DModel
< source >( patch_size: tuple = (1, 2, 2)num_attention_heads: int = 16attention_head_dim: int = 128in_channels: int = 16out_channels: int = 16text_dim: int = 4096freq_dim: int = 256ffn_dim: int = 8192num_layers: int = 32cross_attn_norm: bool = Trueqk_norm: str | None = 'rms_norm_across_heads'eps: float = 1e-06image_dim: int | None = Noneadded_kv_proj_dim: int | None = Nonerope_max_seq_len: int = 1024pos_embed_seq_len: int | None = Noneinject_sample_info: bool = Falsenum_frame_per_block: int = 1 )
パラメータ
- patch_size (
tuple[int]、デフォルトは(1, 2, 2)) — 動画埋め込み用の3Dパッチ次元 (t_patch, h_patch, w_patch)。 - num_attention_heads (
int、デフォルトは16) — テキスト埋め込みの固定長です。 - attention_head_dim (
int、デフォルトは128) — 各ヘッドのチャネル数です。 - in_channels (
int, デフォルトは16) — 入力におけるチャネル数。 - out_channels (
int、デフォルトは16) — 出力のチャネル数です。 - text_dim (
int、デフォルトは4096) — テキスト埋め込みの入力次元数。 - freq_dim (
int、デフォルトは256) — 正弦波時間埋め込みの次元数。 - ffn_dim (
int、デフォルトは8192) — フィードフォワードネットワークの中間次元数。 - num_layers (
int、デフォルトは32) — 使用するtransformerブロックの層数です。 - window_size (
tuple[int], デフォルトは(-1, -1)) — ローカルアテンションのウィンドウサイズです（-1 はグローバルアテンションを示します）。 - cross_attn_norm (
bool、デフォルトはTrue) — クロスアテンションの正規化を有効にします。 - qk_norm (
str、任意、デフォルトは"rms_norm_across_heads") — クエリ/キーの正規化を有効にします。 - eps (
float、デフォルト値は1e-6) — 正規化レイヤー用のエプシロン値です。 - inject_sample_info (
bool、デフォルトはFalse) — モデルにサンプル情報を注入するかどうか。 - image_dim (
int、任意) — 画像埋め込みの次元数。 - added_kv_proj_dim (
int, 省略可) — 追加されるキー/バリュー投影の次元数。 - rope_max_seq_len (
int, デフォルトは1024) — 回転埋め込みの最大シーケンス長です。 - pos_embed_seq_len (
int, 任意) — 位置埋め込みのシーケンス長です。
WanベースのSkyReels-V2モデルで使用される、動画のようなデータ向けのTransformerモデル。
forward
< source >( hidden_states: Tensortimestep: LongTensorencoder_hidden_states: Tensorencoder_hidden_states_image: typing.Optional[torch.Tensor] = Noneenable_diffusion_forcing: bool = Falsefps: typing.Optional[torch.Tensor] = Nonereturn_dict: bool = Trueattention_kwargs: dict[str, typing.Any] | None = None )
パラメータ
- hidden_states (
torch.Tensor、形状(batch_size, num_channels, num_frames, height, width)) — 入力となるhidden_states。 - 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。 - encoder_hidden_states (
torch.Tensor、形状(batch_size, sequence_len, embed_dims)) — 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）。 - encoder_hidden_states_image (
torch.Tensor, 任意) — 画像条件付き生成のための条件付き画像埋め込み。 - enable_diffusion_forcing (
bool、任意、デフォルトはFalse) — diffusion forcing（ブロックごとの因果マスク）を有効にするかどうか。 - fps (
torch.Tensor、省略可) — FPS 条件付け埋め込み。 - 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。 - attention_kwargs (
dict, 省略可) — 指定された場合、diffusers.models.attention_processor で定義されているself.processor内のAttentionProcessorに渡される kwargs 辞書です。
SkyReelsV2Transformer3DModelのforwardメソッドです。
Transformer2DModelOutput
クラス diffusers.models.modeling_outputs.Transformer2DModelOutput
< source >( sample: torch.Tensor )
パラメータ
- sample (
torch.Tensor、形状(batch_size, num_channels, height, width)、または Transformer2DModel が離散型の場合(batch size, num_vector_embeds - 1, num_latent_pixels)) —encoder_hidden_states入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。
Transformer2DModelの出力です。