# SequentialPipelineBlocks

[SequentialPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) هي نوع متعدد الكتل يجمع بين كتل [ModularPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) أخرى في تسلسل. تتدفق البيانات خطياً من كتلة إلى التالية باستخدام `inputs` و`intermediate_outputs`. تمثل كل كتلة في [SequentialPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) عادةً خطوة في خط الأنابيب، ومن خلال دمجها، تبني خط أنابيب تدريجياً.

يُظهرك هذا الدليل على كيفية ربط كتلتين في [SequentialPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks).

أنشئ بلوكين من [ModularPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks). البلوك الأول، `InputBlock`، يُخرج قيمة `batch_size`، والبلوك الثاني، `ImageEncoderBlock`، يستخدم `batch_size` كـ`inputs`.

```py
from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam

class InputBlock(ModularPipelineBlocks):

    @property
    def inputs(self):
        return [
            InputParam(name="prompt", type_hint=list, description="list of text prompts"),
            InputParam(name="num_images_per_prompt", type_hint=int, description="number of images per prompt"),
        ]

    @property
    def intermediate_outputs(self):
        return [
            OutputParam(name="batch_size", description="calculated batch size"),
        ]

    @property
    def description(self):
        return "A block that determines batch_size based on the number of prompts and num_images_per_prompt argument."

    def __call__(self, components, state):
        block_state = self.get_block_state(state)
        batch_size = len(block_state.prompt)
        block_state.batch_size = batch_size * block_state.num_images_per_prompt
        self.set_block_state(state, block_state)
        return components, state
```

```py
import torch
from diffusers.modular_pipelines import ModularPipelineBlocks, InputParam, OutputParam

class ImageEncoderBlock(ModularPipelineBlocks):

    @property
    def inputs(self):
        return [
            InputParam(name="image", type_hint="PIL.Image", description="raw input image to process"),
            InputParam(name="batch_size", type_hint=int),
        ]

    @property
    def intermediate_outputs(self):
        return [
            OutputParam(name="image_latents", description="latents representing the image"),
        ]

    @property
    def description(self):
        return "Encode raw image into its latent presentation"

    def __call__(self, components, state):
        block_state = self.get_block_state(state)
        # Simulate processing the image
        # This will change the state of the image from a PIL image to a tensor for all blocks
        block_state.image = torch.randn(1, 3, 512, 512)
        block_state.batch_size = block_state.batch_size * 2
        block_state.image_latents = torch.randn(1, 4, 64, 64)
        self.set_block_state(state, block_state)
        return components, state
```

اربط الكتلتين عن طريق تعريف [SequentialPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). اذكر أمثلة الكتل في `block_classes` وأسمائها المقابلة في `block_names`. تُنفَّذ الكتل بالترتيب الذي تظهر به في `block_classes`، ويتدفق البيانات من كتلة إلى التالية عبر [PipelineState](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_states#diffusers.modular_pipelines.PipelineState).

```py
class ImageProcessingStep(SequentialPipelineBlocks):
    """
    # auto_docstring
    """
    model_name = "my_model"
    block_classes = [InputBlock(), ImageEncoderBlock()]
    block_names = ["input", "image_encoder"]

    @property
    def description(self):
        return (
            "Process text prompts and images for the pipeline. It:\n"
            " - Determines the batch size from the prompts.\n"
            " - Encodes the image into latent space."
        )
```

عند إنشاء [SequentialPipelineBlocks](/docs/diffusers/main/ar/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks)، تُجمَّع خصائص مثل `inputs` و`intermediate_outputs` و`expected_components` تلقائيًا من الكتل الفرعية، لذا لا حاجة إلى تعريفها مرة أخرى.

هناك بعض الخصائص التي يجب عليك ضبطها:

- `description`: ننصح بإضافة وصف للكتلة المجمّعة لتوضيح ما يفعله الإجراء المدمج.
- `model_name`: يُشتق هذا تلقائيًا من الكتل الفرعية، لكنه ليس دائمًا صحيحًا، لذا قد تحتاج إلى تجاوز قيمته.
- `outputs`: افتراضيًا، تكون هذه القيمة هي نفسها `intermediate_outputs`، لكن يمكنك ضبطها يدويًا للتحكم في القيم التي تظهر في المستند. وهذا مفيد لعرض المخرجات النهائية فقط بدلاً من جميع القيم الوسيطة.

تُستخدم هذه الخصائص، إلى جانب `inputs` و`intermediate_outputs` و`expected_components` المجمّعة، لتوليد خاصية `doc` تلقائيًا.

اطبع كتلة `ImageProcessingStep` لفحص كتلها الفرعية، واستخدم `doc` للحصول على ملخص كامل لمُدخلات ومُخرجات ومكوّنات الكتلة.

```py
blocks = ImageProcessingStep()
print(blocks)
print(blocks.doc)
```