diffusers/main/ar/api/models/ltx_video_transformer3d.md

LTXVideoTransformer3DModel

أُدخل نموذج Diffusion Transformer للبيانات ثلاثية الأبعاد من LTX بواسطة Lightricks.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

from diffusers import LTXVideoTransformer3DModel

transformer = LTXVideoTransformer3DModel.from_pretrained("Lightricks/LTX-Video", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"

LTXVideoTransformer3DModel[[diffusers.LTXVideoTransformer3DModel]]

diffusers.LTXVideoTransformer3DModel[[diffusers.LTXVideoTransformer3DModel]]

diffusers.LTXVideoTransformer3DModel(in_channels: int = 128, out_channels: int = 128, patch_size: int = 1, patch_size_t: int = 1, num_attention_heads: int = 32, attention_head_dim: int = 64, cross_attention_dim: int = 2048, num_layers: int = 28, activation_fn: str = 'gelu-approximate', qk_norm: str = 'rms_norm_across_heads', norm_elementwise_affine: bool = False, norm_eps: float = 1e-06, caption_channels: int = 4096, attention_bias: bool = True, attention_out_bias: bool = True)

المصدر

المعاملات:

in_channels (int، القيمة الافتراضية 128) : عدد القنوات في المدخلات.

out_channels (int، القيمة الافتراضية 128) : عدد القنوات في المخرجات.

patch_size (int، القيمة الافتراضية 1) : حجم البقع المكانية المستخدمة في طبقة تضمين البقع.

patch_size_t (int، القيمة الافتراضية 1) : حجم البقع الزمنية (temporal patches) المستخدمة في طبقة تضمين البقع (patch embedding layer).

num_attention_heads (int، القيمة الافتراضية 32) : عدد الرؤوس المستخدمة في الانتباه متعدد الرؤوس.

attention_head_dim (int، القيمة الافتراضية 64) : عدد القنوات في كل رأس.

cross_attention_dim (int، القيمة الافتراضية 2048 ) : عدد القنوات لرؤوس الانتباه المتقاطع.

num_layers (int، القيمة الافتراضية 28) : عدد طبقات كتل Transformer المستخدمة.

activation_fn (str، القيمة الافتراضية "gelu-approximate") : دالة التنشيط المستخدمة في الشبكة العصبية الأمامية.

qk_norm (str، الافتراضي "rms_norm_across_heads") : طبقة التطبيع المستخدمة.

نموذج Transformer لبيانات تشبه الفيديو يُستخدم في LTX.

forward[[diffusers.LTXVideoTransformer3DModel.forward]]

forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, num_frames: int | None = None, height: int | None = None, width: int | None = None, rope_interpolation_scale: typing.Union[tuple[float, float, float], torch.Tensor, NoneType] = None, video_coords: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

المصدر

المعاملات:

hidden_states (torch.Tensor من الشكل (batch_size, sequence_length, in_channels)) : مدخلات hidden_states.

encoder_hidden_states (torch.Tensor من الشكل (batch_size, sequence_len, embed_dims)) : التضمينات الشرطية (التضمينات المحسوبة من الشروط المدخلة مثل الأوامر) للاستخدام.

timestep (torch.LongTensor) : يُستخدم للإشارة إلى خطوة إزالة الضوضاء.

encoder_attention_mask (torch.Tensor) : القناع المطبَّق على encoder_hidden_states أثناء الانتباه.

num_frames (int, اختياري) : عدد الإطارات في الفيديو المستخدمة لحساب التضمينات الموضعية الدوارة.

height (int, اختياري) : ارتفاع الكامن المستخدم لحساب التضمينات الموضعية الدوارة.

width (int, اختياري) : عرض المتغير الكامن المستخدم لحساب التضمينات الموضعية الدوارة.

rope_interpolation_scale (tuple من float أو torch.Tensor، اختياري) : مقياس الاستيفاء المستخدم في التضمينات الموضعية الدوارة.

video_coords (torch.Tensor، اختياري) : إحداثيات الفيديو المحسوبة مسبقًا التي تُستخدمها التضمينات الموضعية الدوارة.

attention_kwargs (dict، اختياري) : قاموس kwargs يُمرَّر إلى AttentionProcessor إذا تم تحديده، كما هو معرَّف تحت self.processor في diffusers.models.attention_processor.

return_dict (bool، اختياري، القيمة الافتراضية True) : ما إذا كان يجب إرجاع ~models.transformer_2d.Transformer2DModelOutput بدلاً من tuple عادي.

يعيد: torch.Tensor

المخرجات المُزالة الضوضاء على شكل متجه (تِنسور) بأبعاد (batch_size, sequence_length, out_channels).

طريقة LTXVideoTransformer3DModel الأمامية.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

المصدر

المعاملات:

sample (torch.Tensor من الشكل (batch_size, num_channels, height, width) أو (batch size, num_vector_embeds - 1, num_latent_pixels) إذا كان Transformer2DModel منفصلاً): مخرجات الحالات المخفية المشروطة على مدخل encoder_hidden_states. إذا كان منفصلاً، يعيد توزيعات الاحتمال للبكسلات الكامنة غير الملوثة.

مخرجات Transformer2DModel.