plusかどうか
state_dict["image_proj"]["lantents"]の存在で判断
テキストエンコーダの隠れ状態次元数：
keyの入力次元で判断
cross_attention_dim = state_dict["ip_adapter"]["1.to_k_ip.weight"].shape[1]
SDXLかどうか
sdxl = self.cross_attention_dim == 2048
IP-Adapterのトークン数
plusでない場合image_projの出力次元からcross_attention_dimを割る
clip_extra_context_tokens = state_dict["image_proj"]["proj.weight"].shape[0] // cross_attention_dim
plusの場合latentsのトークン数で判断
self.clip_extra_context_tokens = ip_state_dict["image_proj"]["latents"].shape[1]
CLIP特徴量の次元数
実際の出力で判断
clip_embeddings_dim = cond.shape[-1]
残り
plusの場合のresamplerの設定は保留・・・
depth=4
dim_head=64
heads=12
ff_mult=4