Buckets:
| # 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. | |
| ```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) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L325) | |
| **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]] | |
| ```python | |
| forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True) | |
| ``` | |
| [Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L438) | |
| **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](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) alih-alih tuple biasa. | |
| **Mengembalikan:** [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) atau `tuple` | |
| Kecepatan prediksi dari bentuk `(batch_size, out_channels, num_frames, height, width)`. | |
| Metode forward dari [PAN2Transformer3DModel](/docs/diffusers/main/id/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel). | |
Xet Storage Details
- Size:
- 4.77 kB
- Xet hash:
- 7f16919ff0ce2e38dff68efdd125d80e06345a90929b619f47c4573778a354cf
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.