Параметры

• sample_size (int) — Ширина латентных изображений. Это значение фиксировано во время обучения, поскольку используется для обучения набора позиционных эмбеддингов.
• patch_size (int, необязательный, (int, необязательный, по умолчанию 2) — Размер каждого патча на изображении. Этот параметр определяет разрешение патчей, передаваемых в модель.
• in_channels (int, необязательный, по умолчанию 4) — Количество входных каналов для модели. Как правило, это значение совпадает с количеством каналов во входных изображениях.
• hidden_size (int, необязательный, по умолчанию 4096) — Размерность скрытых слоёв в модели. Этот параметр определяет ширину скрытых представлений модели.
• num_layers (int, необязательный, по умолчанию 32) — Количество слоев в модели. Определяет глубину нейронной сети.
• num_attention_heads (int, необязательный, по умолчанию 32) — Количество головок внимания в каждом слое внимания. Этот параметр определяет, сколько отдельных механизмов внимания используется.
• num_kv_heads (int, необязательный, по умолчанию 8) — Количество ключевых и значимых головок в механизме внимания, если оно отличается от количества головок внимания. Если значение равно None, по умолчанию используется num_attention_heads.
• multiple_of (int, необязательный, по умолчанию 256) — Множитель, кратным которому должен быть размер скрытого слоя. Это может помочь оптимизировать работу на определённых аппаратных конфигурациях.
• ffn_dim_multiplier (float, необязательный) — Множитель размерности полносвязной сети. Если значение равно None, используется значение по умолчанию, определяемое конфигурацией модели.
• norm_eps (float, необязательный, по умолчанию 1e-5) — Небольшое значение, добавляемое к знаменателю для численной устойчивости в слоях нормализации.
• learn_sigma (bool, необязательный, по умолчанию True) — Определяет, должен ли модель обучать параметр sigma, который может быть связан с неопределённостью или дисперсией в прогнозах.
• qk_norm (bool, необязательный, по умолчанию True) — Указывает, следует ли нормализовать запросы и ключи в механизме внимания.
• cross_attention_dim (int, необязательный, по умолчанию 2048) — Размерность текстовых эмбеддингов. Этот параметр определяет размер текстовых представлений, используемых в модели.
• scaling_factor (float, необязательный, по умолчанию 1.0) — Коэффициент масштабирования, применяемый к определенным параметрам или слоям модели. Его можно использовать для корректировки общего масштаба операций модели.