# CogView3PlusTransformer2DModel

تم تقديم نموذج [CogView3Plus](https://github.com/THUDM/CogView3) من نوع Diffusion Transformer للبيانات ثنائية الأبعاد في [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) من قبل جامعة تسينغهوا و ZhipuAI.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

```python
from diffusers import CogView3PlusTransformer2DModel

transformer = CogView3PlusTransformer2DModel.from_pretrained("THUDM/CogView3Plus-3b", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

#### diffusers.CogView3PlusTransformer2DModel[[diffusers.CogView3PlusTransformer2DModel]]

```python
diffusers.CogView3PlusTransformer2DModel(patch_size: int = 2, in_channels: int = 16, num_layers: int = 30, attention_head_dim: int = 40, num_attention_heads: int = 64, out_channels: int = 16, text_embed_dim: int = 4096, time_embed_dim: int = 512, condition_dim: int = 256, pos_embed_max_size: int = 128, sample_size: int = 128)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L126)

**المعاملات:**

patch_size (`int`، القيمة الافتراضية `2`) : حجم البقع المستخدمة في طبقة تضمين البقع.

in_channels (`int`، القيمة الافتراضية `16`) : عدد القنوات في المدخلات.

num_layers (`int`، القيمة الافتراضية `30`) : عدد طبقات كتل Transformer المستخدمة.

attention_head_dim (`int`، القيمة الافتراضية `40`) : عدد القنوات في كل رأس.

num_attention_heads (`int`، القيمة الافتراضية `64`) : عدد الرؤوس المستخدمة في الانتباه متعدد الرؤوس.

out_channels (`int`، القيمة الافتراضية `16`) : عدد القنوات في المخرجات.

text_embed_dim (`int`، القيمة الافتراضية `4096`) : بُعد الإدخال لتضمينات النص من مُشفِّر النص.

time_embed_dim (`int`، القيمة الافتراضية `512`) : بُعد المخرجات لتضمينات خطوات الزمن.

condition_dim (`int`، القيمة الافتراضية `256`) : بُعد التضمين (embedding dimension) لظروف الدقة بنمط SDXL الخاصة بالمدخلات (original_size, target_size, crop_coords).

pos_embed_max_size (`int`، القيمة الافتراضية `128`) : الحد الأقصى لدقة التضمينات الموضعية، حيث تُؤخذ منها شرائح من الشكل `H x W` وتُضاف إلى الكمونيات المُرقّعة المدخلة، حيث `H` و`W` هما ارتفاع وعرض الكمون على التوالي. تعني قيمة 128 أن أقصى ارتفاع وعرض مدعومين لتوليد الصور هو `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048`.

sample_size (`int`، القيمة الافتراضية `128`) : الدقة الأساسية للكائنات الكامنة المدخلة. إذا لم يتم تقديم الارتفاع/العرض أثناء التوليد، تُستخدم هذه القيمة لتحديد الدقة على النحو التالي `sample_size * vae_scale_factor => 128 * 8 => 1024`

The Transformer model introduced in [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121).

#### forward[[diffusers.CogView3PlusTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, original_size: Tensor, target_size: Tensor, crop_coords: Tensor, return_dict: bool = True)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_cogview3plus.py#L225)

**المعاملات:**

hidden_states (`torch.Tensor`) : مدخلات `hidden_states` ذات الشكل `(batch size, channel, height, width)`.

encoder_hidden_states (`torch.Tensor`) : تمثيلات شرطية (تمثيلات محسوبة من الشروط المدخلة مثل الأوامر النصية) بأبعاد `(batch_size, sequence_len, text_embed_dim)`

timestep (`torch.LongTensor`) : يُستخدم للإشارة إلى خطوة إزالة الضوضاء.

original_size (`torch.Tensor`) : يستخدم CogView3 تكييفًا دقيقًا مشابهًا لـ SDXL لحجم الصورة الأصلي كما هو موضح في القسم 2.2 من [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

target_size (`torch.Tensor`) : يستخدم CogView3 تشفيرًا دقيقًا مشابهًا لـ SDXL لحجم الصورة المستهدفة كما هو موضح في القسم 2.2 من [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

crop_coords (`torch.Tensor`) : يستخدم CogView3 تشفيرًا دقيقًا مشابهًا لـ SDXL لإحداثيات الاقتصاص كما هو موضح في القسم 2.2 من [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع `~models.transformer_2d.Transformer2DModelOutput` بدلاً من tuple عادي.

**يعيد:** `torch.Tensor` أو `~models.transformer_2d.Transformer2DModelOutput`

اللاتنتات بعد إزالة الضوضاء باستخدام المدخلات المقدمة كشرط.

طريقة [CogView3PlusTransformer2DModel](/docs/diffusers/main/ar/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel) الأمامية.

## 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)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**المعاملات:**

sample (`torch.Tensor` من الشكل `(batch_size, num_channels, height, width)` أو `(batch size, num_vector_embeds - 1, num_latent_pixels)` إذا كان [Transformer2DModel](/docs/diffusers/main/ar/api/models/transformer2d#diffusers.Transformer2DModel) منفصلاً): مخرجات الحالات المخفية المشروطة على مدخل `encoder_hidden_states`. إذا كان منفصلاً، يعيد توزيعات الاحتمال للبكسلات الكامنة غير الملوثة.

مخرجات [Transformer2DModel](/docs/diffusers/main/ar/api/models/transformer2d#diffusers.Transformer2DModel).