# CogView3PlusTransformer2DModel

Model Diffusion Transformer untuk data 2D dari [CogView3Plus](https://github.com/THUDM/CogView3) diperkenalkan dalam [CogView3: Finer and Faster Text-to-Image Generation via Relay Diffusion](https://huggingface.co/papers/2403.05121) oleh Tsinghua University & ZhipuAI.

Model dapat dimuat dengan potongan kode berikut.

```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)
```

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

**Parameter:**

patch_size (`int`, defaultnya `2`) : Ukuran patch yang akan digunakan di lapisan patch embedding.

in_channels (`int`, defaultnya `16`) : Jumlah channel pada input.

num_layers (`int`, defaultnya `30`) : Jumlah lapisan blok Transformer yang akan digunakan.

attention_head_dim (`int`, defaultnya `40`) : Jumlah channel di setiap head.

num_attention_heads (`int`, defaultnya `64`) : Jumlah kepala yang digunakan untuk multi-head attention.

out_channels (`int`, defaultnya `16`) : Jumlah channel pada output.

text_embed_dim (`int`, defaultnya `4096`) : Dimensi input dari embedding teks yang berasal dari text encoder.

time_embed_dim (`int`, defaultnya `512`) : Dimensi output dari embedding timestep.

condition_dim (`int`, defaultnya `256`) : Dimensi embedding dari kondisi resolusi gaya SDXL untuk input (original_size, target_size, crop_coords).

pos_embed_max_size (`int`, defaultnya `128`) : Resolusi maksimum dari positional embeddings, yang diambil potongannya dengan bentuk `H x W` dan ditambahkan ke input patched latents, di mana `H` dan `W` masing-masing adalah tinggi dan lebar latents. Nilai 128 berarti tinggi dan lebar maksimum yang didukung untuk generasi gambar adalah `128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048`.

sample_size (`int`, defaultnya `128`) : Resolusi dasar dari latens input. Jika tinggi/lebar tidak diberikan saat generasi, nilai ini digunakan untuk menentukan resolusi sebagai `sample_size * vae_scale_factor => 128 * 8 => 1024`

Model Transformer yang diperkenalkan dalam [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)
```

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

**Parameter:**

hidden_states (`torch.Tensor`) : Input `hidden_states` dengan bentuk `(batch size, channel, height, width)`.

encoder_hidden_states (`torch.Tensor`) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) dengan bentuk `(batch_size, sequence_len, text_embed_dim)`

timestep (`torch.LongTensor`) : Digunakan untuk menunjukkan langkah denoising.

original_size (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar asli seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

target_size (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk ukuran gambar target seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

crop_coords (`torch.Tensor`) : CogView3 menggunakan micro-conditioning mirip SDXL untuk koordinat crop seperti yang dijelaskan di bagian 2.2 dari [https://huggingface.co/papers/2307.01952](https://huggingface.co/papers/2307.01952).

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

**Mengembalikan:** `torch.Tensor` atau `~models.transformer_2d.Transformer2DModelOutput`

Latens yang telah didenoise menggunakan input yang disediakan sebagai kondisioning.

Metode forward dari [CogView3PlusTransformer2DModel](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.CogView3PlusTransformer2DModel).

## 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)
```

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

**Parameter:**

sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel).