diffusers/main/id/api/models/anyflow_transformer3d.md

AnyFlowTransformer3DModel

3D Transformer bidireksional yang digunakan oleh AnyFlowPipeline. Ini adalah backbone Wan2.1 v0.35.1 dengan satu perubahan struktural: timestep embeddig diganti dengan AnyFlowDualTimestepTextImageEmbedding, sehingga setiap panggilan forward dikondisikan pada kedua timestep sumber t dan timestep target r. Ini adalah embedding yang diperlukan untuk mempelajari peta aliran $\Phi_{r\leftarrow t}$ yang diperkenalkan dalam AnyFlow. Lihat halaman AnyFlowPipeline untuk makalah, penulis, dan checkpoint yang dirilis.

Untuk generasi autoregresif per chunk (FAR kausal), gunakan AnyFlowFARTransformer3DModel sebagai gantinya.

from diffusers import AnyFlowTransformer3DModel

# Bidirectional AnyFlow checkpoint (T2V):
transformer = AnyFlowTransformer3DModel.from_pretrained(
    "nvidia/AnyFlow-Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer"
)

AnyFlowTransformer3DModel[[diffusers.AnyFlowTransformer3DModel]]

diffusers.AnyFlowTransformer3DModel[[diffusers.AnyFlowTransformer3DModel]]

diffusers.AnyFlowTransformer3DModel(patch_size: typing.Tuple[int] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 16, text_dim: int = 4096, freq_dim: int = 256, ffn_dim: int = 13824, num_layers: int = 40, cross_attn_norm: bool = True, eps: float = 1e-06, image_dim: typing.Optional[int] = None, rope_max_seq_len: int = 1024, gate_value: float = 0.25, deltatime_type: str = 'r')

Sumber

Parameter:

patch_size (Tuple[int], defaultnya (1, 2, 2)) : dimensi patch 3D untuk embedding video (t_patch, h_patch, w_patch).

num_attention_heads (int, defaultnya 40) : Jumlah kepala perhatian.

attention_head_dim (int, defaultnya 128) : Jumlah channel di setiap head.

in_channels (int, defaultnya 16) : Jumlah channel pada latent input.

out_channels (int, defaultnya 16) : Jumlah channel pada latent output.

text_dim (int, defaultnya 4096) : Dimensi input untuk embedding teks (UMT5).

freq_dim (int, defaultnya 256) : Dimensi untuk penanaman waktu sinusoidal.

ffn_dim (int, defaultnya 13824) : Dimensi perantara dalam jaringan feed-forward.

num_layers (int, defaultnya 40) : Jumlah blok transformer.

cross_attn_norm (bool, defaultnya True) : Aktifkan normalisasi cross-attention.

eps (float, defaultnya 1e-6) : Epsilon untuk lapisan normalisasi.

image_dim (Optional[int], opsional, defaultnya None) : Dimensi embedding gambar untuk kondisioning I2V (1280 untuk model asli Wan2.1-I2V).

rope_max_seq_len (int, defaultnya 1024) : Panjang maksimum sekuens yang digunakan untuk pramenghitung frekuensi posisi rotasi.

gate_value (float, defaultnya 0.25) : Gerbang pencampuran antara embedding source-timestep dan delta-timestep (parameter $gg$ dari paper AnyFlow, ditetapkan pada 0.25 dalam distilasi tahap-1).

deltatime_type (str, defaultnya 'r') : Sama dengan "r" (delta adalah target timestep) atau "t-r" (delta adalah interval absolut).

Transformer 3D Bidireksional untuk pengambilan sampel flow-map AnyFlow.

Arsitekturnya adalah tulang punggung Wan2.1 3D DiT v0.35.1 dengan satu perubahan struktural: pengumpan waktu (timestep embedder) diganti dengan AnyFlowDualTimestepTextImageEmbedding sehingga setiap panggilan forward dikondisikan pada pengumpan waktu sumber t dan pengumpan waktu target r. Ini adalah pengumpanan (embedding) yang diperlukan untuk mempelajari peta aliran \Phi_{r\leftarrow t} yang diperkenalkan dalam AnyFlow.

Untuk generasi autoregresif per-chunk (FAR kausal), gunakan AnyFlowFARTransformer3DModel sebagai gantinya; varian tersebut menambahkan blok-mask kausal FAR dan patch embedding frame terkompresi di atas backbone yang sama.

forward[[diffusers.AnyFlowTransformer3DModel.forward]]

forward(hidden_states: Tensor, timestep: Tensor, r_timestep: Tensor, encoder_hidden_states: Tensor, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None, return_dict: bool = True)

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, num_frames, num_channels, height, width)) : Laten video input.

timestep (torch.Tensor) : Langkah waktu (timestep) peta aliran sumber (lebih berisik) t.

r_timestep (torch.Tensor) : Timestep r flow-map target (cleaner); mendefinisikan tujuan langkah flow-map.

encoder_hidden_states (torch.Tensor dengan bentuk (batch_size, sequence_len, embed_dims)) : Embedding kondisi teks.

encoder_hidden_states_image (torch.Tensor, opsional) : Embedding pengkondisian gambar; digabungkan sebelum token teks jika disediakan.

attention_kwargs (dict, opsional) : Kwargs diteruskan ke AttentionProcessor seperti yang didefinisikan di bawah self.processor dalam diffusers.models.attention_processor.

return_dict (bool, opsional, defaultnya True) : Apakah akan mengembalikan [~models.transformer_2d.Transformer2DModelOutput] alih-alih tuple biasa.

Mengembalikan:

[~models.transformer_2d.Transformer2DModelOutput] jika return_dict bernilai True, selain itu sebuah tuple yang elemen pertamanya adalah tensor kecepatan prediksi.

Lalu maju (forward pass) peta aliran bidireksional. hidden_states disusun sebagai (B, F, C, H, W) (laten per bingkai). Input dipatch-kan dengan patch_embedding standar (kernel = stride = patch_size) dan didenoise dengan self-attention bidireksional global di atas urutan token datar yang dihasilkan.