diffusers/main/id/api/models/pan2_transformer3d.md

PAN2Transformer3DModel

Diffusion transformer dari PAN 2. Ia menjalankan joint attention pada token video dan token teks, dengan proyeksi dan jaringan feed-forward terpisah untuk setiap stream.

Input video menumpuk latens berisik, latens kondisional, dan mask kondisional satu kanal, sehingga model yang sama melayani teks-ke-video dan gambar-ke-video.

import torch
from diffusers import PAN2Transformer3DModel

transformer = PAN2Transformer3DModel.from_pretrained("IFM/PAN2", subfolder="transformer", dtype=torch.bfloat16)

PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

diffusers.PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

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)

Sumber

Parameter:

patch_size (tuple[int, int, int], defaultnya (1, 2, 2)) : Ukuran patch (t, h, w) dari patch embedding.

in_channels (int, defaultnya 97) : Jumlah saluran input: latens berisik, latens kondisional, dan satu saluran mask kondisional.

out_channels (int, defaultnya 48) : Jumlah kanal output.

num_attention_heads (int, defaultnya 32) : Jumlah kepala perhatian (attention heads).

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

num_layers (int, defaultnya 44) : Jumlah blok joint-attention.

num_refiner_layers (int, defaultnya 4) : Jumlah blok refiner token yang diterapkan pada embedding teks.

mlp_ratio (float, defaultnya 8.0) : Rasio dimensi dalam feed-forward video terhadap dimensi tersembunyi.

context_mlp_ratio (float, defaultnya 4.0) : Rasio dimensi dalam feed-forward teks terhadap dimensi tersembunyi.

refiner_mlp_ratio (float, defaultnya 4.0) : Rasio dimensi dalam feed-forward token refiner terhadap dimensi tersembunyi.

text_embed_dim (int, defaultnya 4096) : Dimensi dari hidden states text encoder.

rope_axes_dim (tuple[int, int, int], defaultnya (16, 56, 56)) : Jumlah channel pada setiap sumbu (t, h, w) dalam rotary embedding.

rope_theta (float, defaultnya 256.0) : Basis dari rotary embedding.

rope_temporal_scale (float, defaultnya 16 / 24) : Faktor yang mengalikan posisi frame dari rotary embedding: rasio frame referensi dari rotary embedding terhadap frame rate video (16 atas 24 fps).

Diffusion transformer dari PAN 2.

Sebuah tumpukan blok joint-attention di atas konkatenasi dari latens video yang di-patch dan token teks yang telah disempurnakan. Input video membawa latens berisik, latens kondisional, dan mask kondisional yang ditumpuk di sepanjang sumbu channel, sehingga model yang sama melayani text-to-video dan image-to-video.

forward[[diffusers.PAN2Transformer3DModel.forward]]

forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, in_channels, num_frames, height, width)) : Laten berisik, laten kondisional, dan mask kondisional, yang digabungkan sepanjang channel.

timestep (torch.Tensor dengan bentuk (batch_size,)) : Langkah waktu denoising dalam [0, 1000].

encoder_hidden_states (torch.Tensor dengan bentuk (batch_size, text_seq_len, text_embed_dim)) : Hidden states dari text encoder.

attention_kwargs (dict, opsional) : Kamus kwargs yang diteruskan ke AttentionProcessor; hanya digunakan untuk skala LoRA.

return_dict (bool, opsional, defaultnya True) : Apakah akan mengembalikan Transformer2DModelOutput alih-alih tuple biasa.

Mengembalikan: Transformer2DModelOutput atau tuple

Kecepatan prediksi dari bentuk (batch_size, out_channels, num_frames, height, width).

Metode forward dari PAN2Transformer3DModel.