گره UNetCrossAttentionMultiply فاکتورهای ضربی را به مکانیزم توجه متقاطع (cross-attention) در مدل UNet اعمال می‌کند. این گره به شما امکان می‌دهد مؤلفه‌های query، key، value و خروجی لایه‌های توجه متقاطع را مقیاس‌دهی کنید تا رفتارها و اثرات مختلف توجه را آزمایش نمایید.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | اجباری | محدوده |
| --- | --- | --- | --- | --- |
| `مدل` | مدل UNet که با فاکتورهای مقیاس‌دهی توجه اصلاح می‌شود | MODEL | بله | - |
| `q` | فاکتور مقیاس‌دهی برای مؤلفه‌های query در توجه متقاطع (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `k` | فاکتور مقیاس‌دهی برای مؤلفه‌های key در توجه متقاطع (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `v` | فاکتور مقیاس‌دهی برای مؤلفه‌های value در توجه متقاطع (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |
| `خروجی` | فاکتور مقیاس‌دهی برای مؤلفه‌های خروجی در توجه متقاطع (پیش‌فرض: 1.0) | FLOAT | خیر | 0.0 - 10.0 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `مدل` | مدل UNet اصلاح‌شده با مؤلفه‌های توجه متقاطع مقیاس‌دهی‌شده | MODEL |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/UNetCrossAttentionMultiply/fa.md)

---
**Source fingerprint (SHA-256):** `2623858c11e93ab5952194670c9e4ea74bba4e2ea32089540665eea361dc1491`