# ZImageTransformer2DModel

Um modelo Transformer para dados semelhantes a imagens do [Z-Image](https://huggingface.co/Tongyi-MAI/Z-Image-Turbo).

## ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

#### diffusers.ZImageTransformer2DModel[[diffusers.ZImageTransformer2DModel]]

```python
diffusers.ZImageTransformer2DModel(all_patch_size = (2,), all_f_patch_size = (1,), in_channels = 16, dim = 3840, n_layers = 30, n_refiner_layers = 2, n_heads = 30, n_kv_heads = 30, norm_eps = 1e-05, qk_norm = True, cap_feat_dim = 2560, siglip_feat_dim = None, rope_theta = 256.0, t_scale = 1000.0, axes_dims = [32, 48, 48], axes_lens = [1024, 512, 512])
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_z_image.py#L361)

#### forward[[diffusers.ZImageTransformer2DModel.forward]]

```python
forward(x: list, t, cap_feats: list, return_dict: bool = True, controlnet_block_samples: dict[int, torch.Tensor] | None = None, siglip_feats: list[list[torch.Tensor]] | None = None, image_noise_mask: list[list[int]] | None = None, patch_size: int = 2, f_patch_size: int = 1, joint_attention_kwargs: dict[str, typing.Any] | None = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_z_image.py#L896)

**Parâmetros:**

x (`list` de `torch.Tensor` ou `list` aninhada de `torch.Tensor`) : Latentes de entrada. Uma lista plana ao executar no modo padrão, ou uma lista aninhada ao executar no modo omni.

t (`torch.Tensor`) : Usado para indicar o passo de remoção de ruído.

cap_feats (`list` de `torch.Tensor` ou `list` aninhada de `torch.Tensor`) : Embeddings de legenda condicional (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

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

controlnet_block_samples (`dict` de `int` para `torch.Tensor`, *opcional*) : Um mapeamento de índice de bloco para tensor que, se especificado, é adicionado aos resíduos dos blocos do transformer.

siglip_feats (`list` de `list` de `torch.Tensor`, *opcional*) : Recursos de imagem SigLIP opcionais usados como condicionamento adicional.

image_noise_mask (`list` de `list` de `int`, *opcional*) : Máscaras de ruído por imagem indicando tokens com ruído versus limpos no modo omni.

patch_size (`int`, *opcional*, padrão 2) : Tamanho do patch espacial usado para aplicar patchify aos latentes de entrada.

f_patch_size (`int`, *opcional*, padrão 1) : Tamanho do patch temporal usado para aplicar patchify aos latentes de entrada.

joint_attention_kwargs (`dict`, *opcional*) : Um dicionário de kwargs. Apenas a entrada `scale` é usada, para escalar as camadas LoRA.

**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 [ZImageTransformer2DModel](/docs/diffusers/main/pt/api/models/z_image_transformer2d#diffusers.ZImageTransformer2DModel).

Fluxo: patchify -> t_embed -> x_embed -> x_refine -> cap_embed -> cap_refine -> [siglip_embed -> siglip_refine] -> build_unified -> main_layers -> final_layer -> unpatchify

#### patchify_and_embed[[diffusers.ZImageTransformer2DModel.patchify_and_embed]]

```python
patchify_and_embed(all_image: list, all_cap_feats: list, patch_size: int, f_patch_size: int)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_z_image.py#L590)

Patchify para o modo básico: uma única imagem por item do lote.

#### patchify_and_embed_omni[[diffusers.ZImageTransformer2DModel.patchify_and_embed_omni]]

```python
patchify_and_embed_omni(all_x: list, all_cap_feats: list, all_siglip_feats: list, patch_size: int, f_patch_size: int, images_noise_mask: list)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_z_image.py#L627)

Patchify para o modo omni: múltiplas imagens por item do lote com máscaras de ruído.