# OvisImageTransformer2DModel

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import OvisImageTransformer2DModel

transformer = OvisImageTransformer2DModel.from_pretrained("AIDC-AI/Ovis-Image-7B", subfolder="transformer", dtype=torch.bfloat16)
```

## OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

#### diffusers.OvisImageTransformer2DModel[[diffusers.OvisImageTransformer2DModel]]

```python
diffusers.OvisImageTransformer2DModel(patch_size: int = 1, in_channels: int = 64, out_channels: int | None = 64, num_layers: int = 6, num_single_layers: int = 27, attention_head_dim: int = 128, num_attention_heads: int = 24, joint_attention_dim: int = 2048, axes_dims_rope: tuple = (16, 56, 56))
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L384)

**Parâmetros:**

patch_size (`int`, padrão `1`) : Tamanho do patch para converter os dados de entrada em pequenos patches.

in_channels (`int`, padrão `64`) : O número de canais na entrada.

out_channels (`int`, *opcional*, padrão `None`) : O número de canais na saída. Se não for especificado, o padrão é `in_channels`.

num_layers (`int`, padrão `6`) : O número de blocos DiT de fluxo duplo a serem usados.

num_single_layers (`int`, padrão `27`) : O número de blocos DiT de fluxo único a serem usados.

attention_head_dim (`int`, padrão `128`) : O número de dimensões a serem usadas para cada cabeça de atenção.

num_attention_heads (`int`, padrão `24`) : O número de cabeças de atenção a serem usadas.

joint_attention_dim (`int`, padrão `2048`) : O número de dimensões a serem usadas para a atenção conjunta (dimensão de incorporação/canal de `encoder_hidden_states`).

axes_dims_rope (`tuple[int]`, padrão `(16, 56, 56)`) : As dimensões a serem usadas para os embeddings posicionais rotativos.

O modelo Transformer introduzido no Ovis-Image.

Referência: https://github.com/AIDC-AI/Ovis-Image

#### forward[[diffusers.OvisImageTransformer2DModel.forward]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ovis_image.py#L476)

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, image_sequence_length, in_channels)`) : `hidden_states` de entrada.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, text_sequence_length, joint_attention_dim)`) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

timestep (`torch.LongTensor`) : Usado para indicar o passo de desruidamento.

img_ids : (`torch.Tensor`): Os ids de posição para tokens de imagem.

txt_ids (`torch.Tensor`) : Os ids de posição para tokens de texto.

joint_attention_kwargs (`dict`, *opcional*) : Um dicionário de kwargs que, se especificado, é passado para o `AttentionProcessor` conforme definido em `self.processor` em [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *opcional*, padrão `True`) : Indica se deve retornar um `~models.transformer_2d.Transformer2DModelOutput` em vez de uma tupla simples.

**Retorna:**

Se `return_dict` for True, um `~models.transformer_2d.Transformer2DModelOutput` é retornado; caso contrário, uma `tuple` onde o primeiro elemento é o tensor da amostra.

O método forward do [OvisImageTransformer2DModel](/docs/diffusers/main/pt/api/models/ovisimage_transformer2d#diffusers.OvisImageTransformer2DModel).