clip模型得到的图像嵌入维度

[lwtgithublwt]

作者您好，据我目前所了解，通过clip编码器得到的维度是[1, 512]的，您是如何把他们变为c , h, w的形状，并融入扩散模型？感谢您的回答。

[Algolzw]

你好，这里跟stable diffusion一样是用的cross-attention，图像会被reshap成 (b, h*w, c)这样，具体代码可以看这个attention.py。