FluxBackbone 模型

[源代码]

FluxBackbone 类

keras_hub.models.FluxBackbone(
    input_channels,
    hidden_size,
    mlp_ratio,
    num_heads,
    depth,
    depth_single_blocks,
    axes_dim,
    theta,
    use_bias,
    guidance_embed=False,
    image_shape=(None, 768, 3072),
    text_shape=(None, 768, 3072),
    image_ids_shape=(None, 768, 3072),
    text_ids_shape=(None, 768, 3072),
    y_shape=(None, 128),
    **kwargs
)

用于序列流匹配的 Transformer 模型。

该模型处理图像和文本数据，并关联位置和时间步嵌入，可选择应用 guidance 嵌入。双流块处理独立的图像流和文本流，而单流块则合并这些流。移植自：https://github.com/black-forest-labs/flux

参数

• input_channels：int。输入通道的数量。
• hidden_size：int。Transformer 的隐藏层大小，必须能被 num_heads 整除。
• mlp_ratio：float。MLP 维度与隐藏层大小的比例。
• num_heads：int。注意力头的数量。
• depth：int。双流块的数量。
• depth_single_blocks：int。单流块的数量。
• axes_dim：list[int]。位置嵌入轴的维度列表。
• theta：int。位置嵌入的基准频率。
• use_bias：bool。是否对 query、key 和 value 投影应用偏置。
• guidance_embed：bool。如果为 True，则在模型中应用 guidance 嵌入。

调用参数

• image：KerasTensor。图像输入张量，形状为 (N, L, D)，其中 N 是批量大小，L 是序列长度，D 是特征维度。
• image_ids：KerasTensor。图像 ID 输入张量，形状为 (N, L, D)，对应于图像序列。
• text：KerasTensor。文本输入张量，形状为 (N, L, D)。
• text_ids：KerasTensor。文本 ID 输入张量，形状为 (N, L, D)，对应于文本序列。
• timesteps：KerasTensor。用于计算位置嵌入的时间步张量。
• y：KerasTensor。额外的向量输入，例如目标值。
• guidance：KerasTensor，可选。在 guidance 嵌入模型中使用的 guidance 输入张量。

抛出异常

• ValueError：如果 hidden_size 不能被 num_heads 整除，或者如果 sum(axes_dim) 不等于位置嵌入维度。

[源代码]

from_preset 方法

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

从模型预设中实例化一个 keras_hub.models.Backbone。

预设是用于保存和加载预训练模型的配置、权重及其他文件资产的目录。preset 可以是以下类型之一：

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。可以从基类调用，例如 keras_hub.models.Backbone.from_preset()，或从模型类调用，例如 keras_hub.models.GemmaBackbone.from_preset()。如果从基类调用，则返回对象的子类将从预设目录中的配置推断出来。

对于任何 Backbone 子类，您可以运行 cls.presets.keys() 来列出该类上所有可用的内置预设。

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，则将权重加载到模型架构中。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,
)