گره CLIPAttentionMultiply به شما امکان می‌دهد با اعمال ضرایب ضرب در اجزای مختلف لایه‌های خودتوجهی (self-attention)، مکانیزم توجه در مدل‌های CLIP را تنظیم کنید. این گره با تغییر وزن‌ها و بایاس‌های بردارهای پرس‌وجو (query)، کلید (key)، مقدار (value) و خروجی (output projection) در مکانیزم توجه مدل CLIP کار می‌کند. این گره آزمایشی یک کپی اصلاح‌شده از مدل CLIP ورودی با اعمال ضرایب مقیاس‌دهی مشخص شده ایجاد می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | اجباری | محدوده |
| --- | --- | --- | --- | --- |
| `clip` | مدل CLIP برای اصلاح | CLIP | بله | - |
| `q` | ضریب ضرب برای وزن‌ها و بایاس‌های بردار پرس‌وجو (پیش‌فرض: 1.0) | FLOAT | بله | 0.0 - 10.0 |
| `k` | ضریب ضرب برای وزن‌ها و بایاس‌های بردار کلید (پیش‌فرض: 1.0) | FLOAT | بله | 0.0 - 10.0 |
| `v` | ضریب ضرب برای وزن‌ها و بایاس‌های بردار مقدار (پیش‌فرض: 1.0) | FLOAT | بله | 0.0 - 10.0 |
| `out` | ضریب ضرب برای وزن‌ها و بایاس‌های بردار خروجی (پیش‌فرض: 1.0) | FLOAT | بله | 0.0 - 10.0 |

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `CLIP` | یک مدل CLIP اصلاح‌شده با اعمال ضرایب مقیاس‌دهی توجه مشخص شده را برمی‌گرداند | CLIP |

> 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/CLIPAttentionMultiply/fa.md)

---
**Source fingerprint (SHA-256):** `43dab83ecfc928f3359eb7560658f43235bf3faa62c81084a2b4f482e3a4638f`