Buckets:
| # PAN2Transformer3DModel | |
| El transformer de difusión de PAN 2. Ejecuta una atención conjunta sobre los tokens de video y los tokens de texto, con proyecciones y redes feed-forward separadas para cada flujo. | |
| La entrada de video apila los latentes ruidosos, los latentes de condicionamiento y una máscara de condicionamiento de un solo canal, de modo que el mismo modelo sirve para texto a video e imagen a video. | |
| ```python | |
| import torch | |
| from diffusers import PAN2Transformer3DModel | |
| transformer = PAN2Transformer3DModel.from_pretrained("IFM/PAN2", subfolder="transformer", dtype=torch.bfloat16) | |
| ``` | |
| ## PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]] | |
| #### diffusers.PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]] | |
| ```python | |
| diffusers.PAN2Transformer3DModel(patch_size: tuple[int, int, int] = (1, 2, 2), in_channels: int = 97, out_channels: int = 48, num_attention_heads: int = 32, attention_head_dim: int = 128, num_layers: int = 44, num_refiner_layers: int = 4, mlp_ratio: float = 8.0, context_mlp_ratio: float = 4.0, refiner_mlp_ratio: float = 4.0, text_embed_dim: int = 4096, rope_axes_dim: tuple[int, int, int] = (16, 56, 56), rope_theta: float = 256.0, rope_temporal_scale: float = 0.6666666666666666) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L325) | |
| **Parámetros:** | |
| patch_size (`tuple[int, int, int]`, por defecto `(1, 2, 2)`) : El tamaño de parche `(t, h, w)` de la incrustación de parches. | |
| in_channels (`int`, por defecto `97`) : El número de canales de entrada: latentes ruidosos, latentes de condicionamiento y un canal de máscara de condicionamiento. | |
| out_channels (`int`, por defecto `48`) : El número de canales de salida. | |
| num_attention_heads (`int`, por defecto `32`) : El número de cabezas de atención. | |
| attention_head_dim (`int`, por defecto `128`) : El número de canales en cada cabeza de atención. | |
| num_layers (`int`, por defecto `44`) : El número de bloques de atención conjunta. | |
| num_refiner_layers (`int`, por defecto `4`) : El número de bloques de refinamiento de tokens aplicados a las incrustaciones de texto. | |
| mlp_ratio (`float`, por defecto `8.0`) : La proporción entre la dimensión interna del feed-forward del video y la dimensión oculta. | |
| context_mlp_ratio (`float`, por defecto `4.0`) : La proporción entre la dimensión interna de la red feed-forward del texto y la dimensión oculta. | |
| refiner_mlp_ratio (`float`, por defecto `4.0`) : La proporción entre la dimensión interna de la red feed-forward del refinador de tokens y la dimensión oculta. | |
| text_embed_dim (`int`, por defecto `4096`) : La dimensión de los estados ocultos del codificador de texto. | |
| rope_axes_dim (`tuple[int, int, int]`, por defecto `(16, 56, 56)`) : El número de canales de cada eje `(t, h, w)` en el embebido rotatorio. | |
| rope_theta (`float`, por defecto `256.0`) : La base del embebido rotatorio. | |
| rope_temporal_scale (`float`, por defecto `16 / 24`) : El factor con el que se multiplican las posiciones de los fotogramas del embebido rotatorio: la tasa de fotogramas de referencia del embebido rotatorio sobre la tasa de fotogramas de los vídeos (16 sobre 24 fps). | |
| El transformer de difusión de PAN 2. | |
| Una pila de bloques de atención conjunta sobre la concatenación de los latentes de video segmentados en parches y los tokens de texto refinados. La entrada de video lleva los latentes ruidosos, los latentes de condicionamiento y una máscara de condicionamiento apilados a lo largo del eje de canales, de modo que el mismo modelo sirve para texto-a-video e imagen-a-video. | |
| #### forward[[diffusers.PAN2Transformer3DModel.forward]] | |
| ```python | |
| forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True) | |
| ``` | |
| [Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L438) | |
| **Parámetros:** | |
| hidden_states (`torch.Tensor` de forma `(batch_size, in_channels, num_frames, height, width)`) : Los latentes con ruido, los latentes de condicionamiento y la máscara de condicionamiento, concatenados a lo largo de los canales. | |
| timestep (`torch.Tensor` de forma `(batch_size,)`) : El paso de tiempo de desruido en `[0, 1000]`. | |
| encoder_hidden_states (`torch.Tensor` de forma `(batch_size, text_seq_len, text_embed_dim)`) : Los estados ocultos del codificador de texto. | |
| attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que se pasa al `AttentionProcessor`; solo se utiliza para la escala de LoRA. | |
| return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un [Transformer2DModelOutput](/docs/diffusers/main/es/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) en lugar de una tupla simple. | |
| **Devuelve:** [Transformer2DModelOutput](/docs/diffusers/main/es/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) o `tuple` | |
| La velocidad predicha de forma `(batch_size, out_channels, num_frames, height, width)`. | |
| El método forward de [PAN2Transformer3DModel](/docs/diffusers/main/es/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel). | |
Xet Storage Details
- Size:
- 5.28 kB
- Xet hash:
- bacf7ce05aafbde73460eecd9220f8bf050b075442a615c32b8a921fdea31ccb
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.