StableDiffusion3Backbone 模型

[源代码]

StableDiffusion3Backbone 类

keras_hub.models.StableDiffusion3Backbone(
    mmdit_patch_size,
    mmdit_hidden_dim,
    mmdit_num_layers,
    mmdit_num_heads,
    mmdit_position_size,
    vae,
    clip_l,
    clip_g,
    t5=None,
    latent_channels=16,
    output_channels=3,
    num_train_timesteps=1000,
    shift=3.0,
    height=None,
    width=None,
    data_format=None,
    dtype=None,
    **kwargs
)

具有超参数的 Stable Diffusion 3 核心网络。

此主干将 CLIP 和 T5 模型作为文本编码器导入，并实现了 Stable Diffusion 3 模型的基本 MMDiT 和 VAE 网络。

默认构造函数提供了一个完全可自定义的、随机初始化的 MMDiT 和 VAE 模型，并具有任何超参数。要加载预设架构和权重，请使用 from_preset 构造函数。

参数

• mmdit_patch_size：int。MMDiT 中输入图像中每个正方形补丁的大小。
• mmdit_hidden_dim：int。MMDiT 中每个 Transformer 层末端 Transformer 隐藏状态的大小。
• mmdit_num_layers：int。MMDiT 中 Transformer 层的数量。
• mmdit_num_heads：int。MMDiT 中每个 Transformer 的注意力头的数量。
• mmdit_position_size：int。MMDiT 中位置嵌入的高度和宽度大小。
• vae：用于在像素空间和潜在空间之间进行转换的 VAE。
• clip_l：用于编码输入的 CLIP 文本编码器。
• clip_g：用于编码输入的 CLIP 文本编码器。
• t5：可选。用于编码输入的 T5 文本编码器。
• latent_channels：int。潜在变量的通道数。默认为 16。
• output_channels：int。输出的通道数。默认为 3。
• num_train_timesteps：int。训练模型的扩散步数。默认为 1000。
• shift：float。时间步长计划的偏移值。默认为 3.0。
• height：可选 int。图像的输出高度。
• width：可选 int。图像的输出宽度。
• data_format：None 或 str。如果指定，则为 "channels_last" 或 "channels_first"。输入中维度的顺序。"channels_last" 对应于形状为 (batch_size, height, width, channels) 的输入，而 "channels_first" 对应于形状为 (batch_size, channels, height, width) 的输入。它默认为在您的 Keras 配置文件 ~/.keras/keras.json 中找到的 image_data_format 值。如果您从未设置过它，则它将为 "channels_last"。
• dtype：字符串或 keras.mixed_precision.DTypePolicy。用于模型计算和权重的 dtype。请注意，某些计算（例如 softmax 和层归一化）将始终以 float32 精度完成，无论 dtype 如何。

示例

# Pretrained Stable Diffusion 3 model.
model = keras_hub.models.StableDiffusion3Backbone.from_preset(
    "stable_diffusion_3_medium"
)

# Randomly initialized Stable Diffusion 3 model with custom config.
vae = keras_hub.models.VAEBackbone(...)
clip_l = keras_hub.models.CLIPTextEncoder(...)
clip_g = keras_hub.models.CLIPTextEncoder(...)
model = keras_hub.models.StableDiffusion3Backbone(
    mmdit_patch_size=2,
    mmdit_num_heads=4,
    mmdit_hidden_dim=256,
    mmdit_depth=4,
    mmdit_position_size=192,
    vae=vae,
    clip_l=clip_l,
    clip_g=clip_g,
)

[源代码]

from_preset 方法

StableDiffusion3Backbone.from_preset(preset, load_weights=True, **kwargs)

从模型预设实例化 keras_hub.models.Backbone。

预设是用于保存和加载预训练模型的配置、权重和其他文件资产的目录。preset 可以作为以下之一传递：

1. 内置预设标识符，例如 'bert_base_en'
2. Kaggle Models 句柄，例如 'kaggle://user/bert/keras/bert_base_en'
3. Hugging Face 句柄，例如 'hf://user/bert_base_en'
4. 本地预设目录的路径，例如 './bert_base_en'

此构造函数可以通过两种方式之一调用。从基类（如 keras_hub.models.Backbone.from_preset()）或从模型类（如 keras_hub.models.GemmaBackbone.from_preset()）调用。如果从基类调用，则返回对象的子类的推断将来自预设目录中的配置。

对于任何 Backbone 子类，您都可以运行 cls.presets.keys() 以列出该类上可用的所有内置预设。

参数

• preset：string。内置预设标识符、Kaggle Models 句柄、Hugging Face 句柄或本地目录的路径。
• load_weights：bool。如果为 True，则权重将加载到模型架构中。如果为 False，则权重将随机初始化。

示例

# Load a Gemma backbone with pre-trained weights.
model = keras_hub.models.Backbone.from_preset(
    "gemma_2b_en",
)

# Load a Bert backbone with a pre-trained config and random weights.
model = keras_hub.models.Backbone.from_preset(
    "bert_base_en",
    load_weights=False,
)

token_embedding 属性

keras_hub.models.StableDiffusion3Backbone.token_embedding

用于嵌入标记 ID 的 keras.layers.Embedding 实例。

此层将整数标记 ID 嵌入到模型的隐藏维度中。