文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindflow.cell.ConditionDiffusionTransformer

class mindflow.cell.ConditionDiffusionTransformer(in_channels, out_channels, cond_channels, hidden_channels, layers, heads, time_token_cond=True, cond_as_token=True, compute_dtype=mstype.float32)

以Transformer作为骨干网络的条件控制扩散模型。

参数：

• in_channels (int) - 输入特征维度。

• out_channels (int) - 输出特征维度。

• hidden_channels (int) - 隐藏层特征维度。

• cond_channels (int) - 条件特征维度。

• layers (int) - Transformer 层数。

• heads (int) - 注意力头数。

• time_token_cond (bool) - 是否将时间作为条件token。Default: True 。

• cond_as_token (bool) - 是否将条件作为token。Default: True 。

• compute_dtype (mindspore.dtype) - 计算数据类型。支持 mstype.float32 or mstype.float16 。默认值: mstype.float32 ，表示 mindspore.float32 。

输入：

• x (Tensor) - 网络输入。shape为 $(batch\mathrm{\_}size,sequence\mathrm{\_}len,in\mathrm{\_}channels)$ 的Tensor。

• timestep (Tensor) - 时间步。shape为 $(batch\mathrm{\_}size,)$ 的Tensor。

• condition (Tensor) - 控制条件。shape为 $(batch\mathrm{\_}size,cond\mathrm{\_}channels)$ 的Tensor。

输出：

• output (Tensor) - shape为 $(batch\mathrm{\_}size,sequence\mathrm{\_}len,out\mathrm{\_}channels)$ 的Tensor。

支持平台：

Ascend

样例：

>>> from mindspore import ops
>>> from mindflow.cell import ConditionDiffusionTransformer
>>> in_channels, out_channels, cond_channels, hidden_channels = 16, 16, 10, 256
>>> layers, heads, batch_size, seq_len = 3, 4, 8, 256
>>> model = ConditionDiffusionTransformer(in_channels=in_channels,
...                                       out_channels=out_channels,
...                                       cond_channels=cond_channels,
...                                       hidden_channels=hidden_channels,
...                                       layers=layers,
...                                       heads=heads)
>>> x = ops.rand((batch_size, seq_len, in_channels))
>>> cond = ops.rand((batch_size, cond_channels))
>>> timestep = ops.randint(0, 1000, (batch_size,))
>>> output = model(x, timestep, cond)
>>> print(output.shape)
(8, 256, 16)