# Lumina2Transformer2DModel

Модель Diffusion Transformer для 3D-видеоподобных данных была представлена в [Lumina Image 2.0](https://huggingface.co/Alpha-VLLM/Lumina-Image-2.0) от Alpha-VLLM.

Модель можно загрузить с помощью следующего фрагмента кода.

```python
from diffusers import Lumina2Transformer2DModel

transformer = Lumina2Transformer2DModel.from_pretrained("Alpha-VLLM/Lumina-Image-2.0", subfolder="transformer", dtype=torch.bfloat16)
```

## Lumina2Transformer2DModel[[diffusers.Lumina2Transformer2DModel]]

#### diffusers.Lumina2Transformer2DModel[[diffusers.Lumina2Transformer2DModel]]

```python
diffusers.Lumina2Transformer2DModel(sample_size: int = 128, patch_size: int = 2, in_channels: int = 16, out_channels: int | None = None, hidden_size: int = 2304, num_layers: int = 26, num_refiner_layers: int = 2, num_attention_heads: int = 24, num_kv_heads: int = 8, multiple_of: int = 256, ffn_dim_multiplier: float | None = None, norm_eps: float = 1e-05, scaling_factor: float = 1.0, axes_dim_rope: tuple[int, int, int] = (32, 32, 32), axes_lens: tuple[int, int, int] = (300, 512, 512), cap_feat_dim: int = 1024)
```

[Источник](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_lumina2.py#L327)

**Параметры:**

sample_size (`int`) : Ширина латентных изображений. Это значение фиксировано во время обучения, поскольку используется для обучения набора позиционных эмбеддингов.

patch_size (`int`, *optional*, (`int`, *optional*, по умолчанию 2) : Размер каждого патча на изображении. Этот параметр определяет разрешение патчей, передаваемых в модель.

in_channels (`int`, *optional*, по умолчанию 4) : Количество входных каналов для модели. Как правило, это значение совпадает с количеством каналов во входных изображениях.

hidden_size (`int`, *optional*, по умолчанию 4096) : Размерность скрытых слоёв в модели. Этот параметр определяет ширину скрытых представлений модели.

num_layers (`int`, *optional*, по умолчанию 32) : Количество слоёв в модели. Это определяет глубину нейронной сети.

num_attention_heads (`int`, *optional*, по умолчанию 32) : Количество головок внимания в каждом слое внимания. Этот параметр определяет, сколько отдельных механизмов внимания используется.

num_kv_heads (`int`, *optional*, по умолчанию 8) : Количество ключевых и value-голов в механизме внимания, если оно отличается от общего числа голов внимания. Если значение равно None, используется num_attention_heads.

multiple_of (`int`, *optional*, по умолчанию 256) : Множитель, кратным которому должен быть размер скрытого слоя. Это может помочь оптимизировать работу на определённых аппаратных конфигурациях.

ffn_dim_multiplier (`float`, *optional*) : Множитель для размерности полносвязной сети. Если значение равно None, используется значение по умолчанию, определяемое конфигурацией модели.

norm_eps (`float`, *optional*, по умолчанию 1e-5) : Малое значение, добавляемое к знаменателю для обеспечения численной стабильности в слоях нормализации.

scaling_factor (`float`, *optional*, по умолчанию 1.0) : Коэффициент масштабирования, применяемый к определённым параметрам или слоям модели. Его можно использовать для корректировки общего масштаба операций модели.

Lumina2NextDiT: диффузионная модель с трансформерным каркасом.

#### forward[[diffusers.Lumina2Transformer2DModel.forward]]

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

[Источник](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_lumina2.py#L460)

**Параметры:**

hidden_states (`torch.Tensor` формы `(batch_size, in_channels, height, width)`) : Входные `hidden_states`.

timestep (`torch.LongTensor`) : Используется для указания шага денойзинга.

encoder_hidden_states (`torch.Tensor` формы `(batch_size, sequence_len, embed_dims)`) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

encoder_attention_mask (`torch.Tensor`) : Маска, применяемая к `encoder_hidden_states` во время внимания.

attention_kwargs (`dict`, *необязательный*) : Словарь kwargs, который при указании передается в `AttentionProcessor`, определенный в `self.processor` в [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `~models.transformer_2d.Transformer2DModelOutput` вместо обычного кортежа.

**Возвращает:**

Если `return_dict` равно True, возвращается `~models.transformer_2d.Transformer2DModelOutput`, иначе — `tuple`, первым элементом которого является тензор выборки.

Метод forward модели [Lumina2Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/lumina2_transformer2d#diffusers.Lumina2Transformer2DModel).

## 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)
```

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

**Параметры:**

sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel).