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，并附带位置和时间步嵌入，可选择应用引导嵌入。双流块处理独立的图像和文本流，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 的隐藏大小，必须能被 num_heads 整除。
• mlp_ratio：float。MLP 维度与隐藏大小的比率。
• 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。位置嵌入的基频。
• use_bias：bool。是否对查询、键和值投影应用偏置。
• guidance_embed：bool。如果为 True，则在模型中应用引导嵌入。

调用参数

• image：KerasTensor。图像输入张量，形状为 (N, L, D)，其中 N 为批大小，L 为序列长度，D 为特征维度。
• image_ids：KerasTensor。图像 ID 输入张量，形状为 (N, L, D)，对应图像序列。
• 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)，对应文本序列。
• timesteps：KerasTensor。用于计算位置嵌入的时间步张量。
• y：KerasTensor。附加向量输入，例如目标值。
• guidance：KerasTensor，可选。在引导嵌入模型中使用的引导输入张量。

引发

• ValueError：如果 hidden_size 不能被 num_heads 整除，或者 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)

从模型预设实例化一个 keras_hub.models.Backbone。

预设是一个包含配置、权重和其他文件资源的目录，用于保存和加载预训练模型。preset 可以作为以下之一传递：

1. 一个内置的预设标识符，如 'bert_base_en'
2. 一个 Kaggle Models 句柄，如 'kaggle://user/bert/keras/bert_base_en'
3. 一个 Hugging Face 句柄，如 'hf://user/bert_base_en'
4. 一个本地预设目录的路径，如 './bert_base_en'

此构造函数可以通过两种方式调用：从基类如 keras_hub.models.Backbone.from_preset() 调用，或从模型类如 keras_hub.models.GemmaBackbone.from_preset() 调用。如果从基类调用，返回对象的子类将根据预设目录中的配置推断。

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：字符串。一个内置预设标识符、一个 Kaggle Models 句柄、一个 Hugging Face 句柄或一个本地目录的路径。
• load_weights：布尔值。如果为 `True`，权重将被加载到模型架构中。如果为 `False`，权重将被随机初始化。

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,
)