# SequentialPipelineBlocks

[SequentialPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) adalah tipe multi-blok yang menyusun beberapa [ModularPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks) lainnya secara berurutan. Data mengalir secara linear dari satu blok ke blok berikutnya menggunakan `inputs` dan `intermediate_outputs`. Setiap blok dalam [SequentialPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks) biasanya mewakili satu langkah dalam pipeline, dan dengan menggabungkannya, Anda secara bertahap membangun sebuah pipeline.

Panduan ini menunjukkan cara menghubungkan dua blok menjadi [SequentialPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks).

Buat dua [ModularPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.ModularPipelineBlocks). Blok pertama, `InputBlock`, menghasilkan nilai `batch_size` dan blok kedua, `ImageEncoderBlock` menggunakan `batch_size` sebagai `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
```

Hubungkan kedua blok tersebut dengan mendefinisikan [SequentialPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks). Daftarkan instance blok di `block_classes` dan nama yang sesuai di `block_names`. Blok-blok tersebut dieksekusi sesuai urutan kemunculannya di `block_classes`, dan data mengalir dari satu blok ke blok berikutnya melalui [PipelineState](/docs/diffusers/main/id/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."
        )
```

Saat Anda membuat [SequentialPipelineBlocks](/docs/diffusers/main/id/api/modular_diffusers/pipeline_blocks#diffusers.SequentialPipelineBlocks), properti seperti `inputs`, `intermediate_outputs`, dan `expected_components` secara otomatis diagregasi dari sub-blok, sehingga tidak perlu mendefinisikannya lagi.

Ada beberapa properti yang perlu Anda atur:

- `description`: Kami merekomendasikan untuk menambahkan deskripsi pada blok yang dirakit untuk menjelaskan apa yang dilakukan oleh langkah gabungan tersebut.
- `model_name`: Ini diturunkan secara otomatis dari sub-blok, tetapi tidak selalu benar, jadi Anda mungkin perlu menimpanya.
- `outputs`: Secara default, ini sama dengan `intermediate_outputs`, tetapi Anda dapat menyetelnya secara manual untuk mengontrol nilai mana yang muncul di dokumen. Ini berguna untuk menampilkan hanya output akhir, bukan semua nilai perantara.

Properti-properti ini, bersama dengan `inputs`, `intermediate_outputs`, dan `expected_components` yang telah diagregasi, digunakan untuk secara otomatis menghasilkan properti `doc`.

Cetak blok `ImageProcessingStep` untuk memeriksa sub-bloknya, dan gunakan `doc` untuk ringkasan lengkap mengenai input, output, dan komponen blok tersebut.

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