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

LTXVideoTransformer3DModel

Un modelo Diffusion Transformer para datos 3D de LTX fue introducido por Lightricks.

El modelo se puede cargar con el siguiente fragmento de código.

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)

Fuente

Parámetros:

in_channels (int, por defecto 128) : El número de canales en la entrada.

out_channels (int, por defecto 128) : El número de canales en la salida.

patch_size (int, por defecto 1) : El tamaño de los parches espaciales a utilizar en la capa de incrustación de parches.

patch_size_t (int, por defecto 1) : El tamaño de los parches temporales a utilizar en la capa de incrustación de parches.

num_attention_heads (int, por defecto 32) : El número de cabezas a utilizar para la atención multi-cabeza.

attention_head_dim (int, por defecto 64) : El número de canales en cada cabeza.

cross_attention_dim (int, por defecto 2048 ) : El número de canales para las cabezas de atención cruzada.

num_layers (int, por defecto 28) : El número de capas de bloques Transformer a utilizar.

activation_fn (str, por defecto "gelu-approximate") : Función de activación a utilizar en la red feed-forward.

qk_norm (str, por defecto "rms_norm_across_heads") : La capa de normalización a utilizar.

Un modelo Transformer para datos tipo video utilizado en 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)

Fuente

Parámetros:

hidden_states (torch.Tensor de forma (batch_size, sequence_length, in_channels)) : hidden_states de entrada.

encoder_hidden_states (torch.Tensor de forma (batch_size, sequence_len, embed_dims)) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

timestep (torch.LongTensor) : Se utiliza para indicar el paso de desruido.

encoder_attention_mask (torch.Tensor) : Máscara aplicada a encoder_hidden_states durante la atención.

num_frames (int, opcional) : Número de fotogramas del video utilizados para calcular los embeddings posicionales rotatorios.

height (int, opcional) : Altura del latente utilizado para calcular los embeddings posicionales rotatorios.

width (int, opcional) : Ancho del latente utilizado para calcular los embeddings posicionales rotatorios.

rope_interpolation_scale (tuple de float o torch.Tensor, opcional) : Escala de interpolación utilizada por los embeddings posicionales rotatorios.

video_coords (torch.Tensor, opcional) : Coordenadas de video precalculadas utilizadas por los embeddings posicionales rotatorios.

attention_kwargs (dict, opcional) : Un diccionario de kwargs que, si se especifica, se pasa al AttentionProcessor tal como se define bajo self.processor en diffusers.models.attention_processor.

return_dict (bool, opcional, valor predeterminado True) : Indica si se debe devolver un ~models.transformer_2d.Transformer2DModelOutput en lugar de una tupla simple.

Devuelve: torch.Tensor

El tensor de salida desruidoado de forma (batch_size, sequence_length, out_channels).

El método forward de LTXVideoTransformer3DModel.

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

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

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

Fuente

Parámetros:

sample (torch.Tensor de forma (batch_size, num_channels, height, width) o (batch size, num_vector_embeds - 1, num_latent_pixels) si Transformer2DModel es discreto): las salidas de estados ocultos condicionadas a la entrada encoder_hidden_states. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido.

La salida de Transformer2DModel.