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

LTXVideoTransformer3DModel

Model Diffusion Transformer untuk data 3D dari LTX diperkenalkan oleh Lightricks.

Model dapat dimuat dengan potongan kode berikut.

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)

Sumber

Parameter:

in_channels (int, defaultnya 128) : Jumlah channel pada input.

out_channels (int, defaultnya 128) : Jumlah channel pada output.

patch_size (int, defaultnya 1) : Ukuran patch spasial yang akan digunakan di lapisan patch embedding.

patch_size_t (int, defaultnya 1) : Ukuran patch temporal yang akan digunakan di lapisan patch embedding.

num_attention_heads (int, defaultnya 32) : Jumlah kepala yang digunakan untuk multi-head attention.

attention_head_dim (int, defaultnya 64) : Jumlah channel di setiap head.

cross_attention_dim (int, defaultnya 2048 ) : Jumlah channel untuk cross attention heads.

num_layers (int, defaultnya 28) : Jumlah lapisan blok Transformer yang akan digunakan.

activation_fn (str, defaultnya "gelu-approximate") : Fungsi aktivasi yang digunakan dalam feed-forward.

qk_norm (str, defaultnya "rms_norm_across_heads") : Lapisan normalisasi yang akan digunakan.

Model Transformer untuk data mirip video yang digunakan dalam 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)

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, sequence_length, in_channels)) : Input hidden_states.

encoder_hidden_states (torch.Tensor dengan bentuk (batch_size, sequence_len, embed_dims)) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) yang akan digunakan.

timestep (torch.LongTensor) : Digunakan untuk menunjukkan langkah denoising.

encoder_attention_mask (torch.Tensor) : Mask yang diterapkan pada encoder_hidden_states selama perhatian.

num_frames (int, opsional) : Jumlah frame dalam video yang digunakan untuk menghitung rotary positional embeddings.

height (int, opsional) : Tinggi dari laten yang digunakan untuk menghitung penyematan posisi rotasi.

width (int, opsional) : Lebar laten yang digunakan untuk menghitung penanaman posisi rotasi.

rope_interpolation_scale (tuple dari float atau torch.Tensor, opsional) : Skala interpolasi yang digunakan oleh penanam posisi rotasi.

video_coords (torch.Tensor, opsional) : Koordinat video yang telah dihitung sebelumnya dan digunakan oleh penanam posisi rotasi.

attention_kwargs (dict, opsional) : Kamus kwargs yang jika ditentukan akan 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: torch.Tensor

Tensor output hasil denoising dengan bentuk (batch_size, sequence_length, out_channels).

Metode forward dari 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)

Sumber

Parameter:

sample (torch.Tensor dengan bentuk (batch_size, num_channels, height, width) atau (batch size, num_vector_embeds - 1, num_latent_pixels) jika Transformer2DModel bersifat diskrit) : Output hidden states yang dikondisikan pada input encoder_hidden_states. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari Transformer2DModel.