گره UNetSelfAttentionMultiply فاکتورهای ضرب را بر مؤلفه‌های query، key، value و خروجی مکانیزم خودتوجهی (self-attention) در مدل UNet اعمال می‌کند. این گره به شما امکان می‌دهد بخش‌های مختلف محاسبه توجه را مقیاس‌دهی کنید تا تأثیر وزن‌های توجه بر رفتار مدل را آزمایش نمایید.

## ورودی‌ها

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

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
| --- | --- | --- |
| `MODEL` | مدل UNet اصلاح‌شده با مؤلفه‌های توجه 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/UNetSelfAttentionMultiply/fa.md)

---
**Source fingerprint (SHA-256):** `ee6328c6cba44d30d2e219a2af04bb3d3d9adeaabb959a46f87b3b299dfe2f43`