# BriaTransformer2DModel

Un modèle Transformer de flux modifié de [Bria](https://huggingface.co/briaai/BRIA-3.2)

## BriaTransformer2DModel[[diffusers.BriaTransformer2DModel]]

#### diffusers.BriaTransformer2DModel[[diffusers.BriaTransformer2DModel]]

```python
diffusers.BriaTransformer2DModel(patch_size: int = 1, in_channels: int = 64, num_layers: int = 19, num_single_layers: int = 38, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 4096, pooled_projection_dim: int = None, guidance_embeds: bool = False, axes_dims_rope: list = [16, 56, 56], rope_theta = 10000, time_theta = 10000)
```

[Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_bria.py#L504)

**Paramètres :**

patch_size (`int`) : Taille des patches pour découper les données d'entrée en petits patches.

in_channels (`int`, *facultatif*, par défaut 16) : Le nombre de canaux dans l'entrée.

num_layers (`int`, *facultatif*, valeur par défaut 18) : Le nombre de blocs MMDiT à utiliser.

num_single_layers (`int`, *facultatif*, valeur par défaut 18) : Le nombre de blocs DiT simples à utiliser.

attention_head_dim (`int`, *facultatif*, valeur par défaut 64) : Le nombre de canaux dans chaque tête.

num_attention_heads (`int`, *facultatif*, valeur par défaut 18) : Le nombre de têtes à utiliser pour l'attention multi-têtes.

joint_attention_dim (`int`, *facultatif*) : Le nombre de dimensions de `encoder_hidden_states` à utiliser.

pooled_projection_dim (`int`) : Nombre de dimensions à utiliser lors de la projection des `pooled_projections`.

guidance_embeds (`bool`, défaut : False) : Indique s'il faut utiliser des embeddings de guidance.

Le modèle Transformer introduit dans Flux. Basé sur FluxPipeline avec plusieurs modifications :
- aucun embeddings agrégés
- Nous utilisons un remplissage par zéros pour les invites
- Aucun embedding de guidance car il ne s'agit pas d'une version distillée
Référence : https://blackforestlabs.ai/announcing-black-forest-labs/

#### forward[[diffusers.BriaTransformer2DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor = None, pooled_projections: Tensor = None, timestep: LongTensor = None, img_ids: Tensor = None, txt_ids: Tensor = None, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True, controlnet_block_samples = None, controlnet_single_block_samples = None)
```

[Source](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_bria.py#L582)

**Paramètres :**

hidden_states (`torch.FloatTensor` de forme `(batch size, channel, height, width)`) : `hidden_states` en entrée.

encoder_hidden_states (`torch.FloatTensor` de forme `(batch size, sequence_len, embed_dims)`) : Embeddings conditionnels (embeddings calculés à partir des conditions d'entrée telles que les prompts) à utiliser.

pooled_projections (`torch.FloatTensor` de forme `(batch_size, projection_dim)`) : Embeddings projetés à partir des embeddings des conditions d'entrée.

timestep ( `torch.LongTensor`) : Utilisé pour indiquer l'étape de débruitage.

img_ids (`torch.Tensor`) : Identifiants de position d'image utilisés pour calculer les embeddings positionnels rotatifs.

txt_ids (`torch.Tensor`) : Identifiants de position du texte utilisés pour calculer les embeddings positionnels rotatifs.

guidance (`torch.Tensor`, *facultatif*) : Embedding d'échelle de guidage utilisé pour les variantes du modèle distillées par guidage.

controlnet_block_samples (`list` de `torch.Tensor`, *facultatif*) : Une liste de tenseurs qui, si elle est spécifiée, est ajoutée aux résidus des blocs de transformeur.

controlnet_single_block_samples (`list` de `torch.Tensor`, *facultatif*) : Une liste de tenseurs qui, si elle est spécifiée, est ajoutée aux résidus des blocs de transformeur individuels.

attention_kwargs (`dict`, *facultatif*) : Un dictionnaire de kwargs qui, s'il est spécifié, est transmis à l'`AttentionProcessor` tel que défini sous `self.processor` dans [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `~models.transformer_2d.Transformer2DModelOutput` plutôt qu'un simple tuple.

**Retourne :**

Si `return_dict` est True, un `~models.transformer_2d.Transformer2DModelOutput` est renvoyé, sinon un `tuple` dont le premier élément est le tenseur d'échantillon.

La méthode forward du [BriaTransformer2DModel](/docs/diffusers/main/fr/api/models/bria_transformer#diffusers.BriaTransformer2DModel).