diffusers/main/id/api/models/wan_transformer_3d.md

WanTransformer3DModel

Model Diffusion Transformer untuk data video 3D diperkenalkan dalam Wan 2.1 oleh Alibaba Wan Team.

Model dapat dimuat dengan potongan kode berikut.

from diffusers import WanTransformer3DModel

transformer = WanTransformer3DModel.from_pretrained("Wan-AI/Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)

WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

diffusers.WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

diffusers.WanTransformer3DModel(patch_size: 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, qk_norm: str | None = 'rms_norm_across_heads', eps: float = 1e-06, image_dim: int | None = None, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None)

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) : Panjang tetap untuk embedding teks.

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

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

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

text_dim (int, defaultnya 512) : Dimensi input untuk embedding teks.

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 lapisan blok transformer yang akan digunakan.

window_size (tuple[int], defaultnya (-1, -1)) : Ukuran jendela untuk perhatian lokal (-1 menunjukkan perhatian global).

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

qk_norm (bool, defaultnya True) : Aktifkan normalisasi query/key.

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

add_img_emb (bool, defaultnya False) : Apakah akan menggunakan img_emb.

added_kv_proj_dim (int, opsional, defaultnya None) : Jumlah channel yang digunakan untuk proyeksi key dan value yang ditambahkan. Jika None, tidak ada proyeksi yang digunakan.

Model Transformer untuk data mirip video yang digunakan dalam model Wan.

forward[[diffusers.WanTransformer3DModel.forward]]

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

Sumber

Parameter:

hidden_states (torch.Tensor dengan bentuk (batch_size, num_channels, num_frames, height, width)) : Input hidden_states.

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

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.

encoder_hidden_states_image (torch.Tensor, opsional) : Embedding gambar kondisional untuk generasi yang dikondisikan oleh gambar.

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

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.

Mengembalikan:

Jika return_dict bernilai True, sebuah ~models.transformer_2d.Transformer2DModelOutput akan dikembalikan, selain itu sebuah tuple di mana elemen pertama adalah tensor sampel.

Metode forward dari WanTransformer3DModel.

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.