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

LTXVideoTransformer3DModel

LTX によって、3Dデータ向けの Diffusion Transformer モデルが紹介されました。

モデルは、以下のコードスニペットで読み込むことができます。

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)

ソース

パラメータ:

in_channels (int、デフォルトは128) : 入力におけるチャネル数。

out_channels (int、デフォルトは128) : 出力のチャネル数。

patch_size (int、デフォルトは1) : パッチ埋め込み層で使用する空間パッチのサイズ。

patch_size_t (int、デフォルトは1) : パッチ埋め込み層で使用する時間的パッチのサイズです。

num_attention_heads (int、デフォルトは32) : マルチヘッドアテンションで使用するヘッド数。

attention_head_dim (int、デフォルトは64) : 各ヘッドのチャネル数。

cross_attention_dim (int、デフォルトは 2048 ) : クロスアテンションヘッドのチャネル数。

num_layers (int、デフォルトは28) : 使用する Transformer ブロックの層数。

activation_fn (str、デフォルトは "gelu-approximate") : feed-forward で使用する活性化関数。

qk_norm (str、デフォルトは"rms_norm_across_heads") : 使用する正規化レイヤー。

LTXで使用する、動画のようなデータ向けのTransformerモデル。

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)

ソース

パラメータ:

hidden_states (torch.Tensor、shape (batch_size, sequence_length, in_channels)) : 入力 hidden_states。

encoder_hidden_states (torch.Tensor、shape (batch_size, sequence_len, embed_dims)) : 使用する条件埋め込み（プロンプトなどの入力条件から計算される埋め込み）。

timestep (torch.LongTensor) : デノイジングステップを示すために使用されます。

encoder_attention_mask (torch.Tensor) : アテンション時にencoder_hidden_statesに適用されるマスク。

num_frames (int, 任意) : 回転位置埋め込みを計算するために使用される動画のフレーム数。

height (int, 任意) : 回転位置埋め込みを計算するために使用される潜在変数の高さ。

width (int, 任意) : 回転位置埋め込みを計算するために使用される潜在変数の幅。

rope_interpolation_scale (tuple of float or torch.Tensor, 任意) : 回転位置埋め込みで使用される補間スケール。

video_coords (torch.Tensor, 任意) : 回転位置埋め込みで使用する、事前計算済みの動画座標。

attention_kwargs (dict, 任意) : 指定された場合、diffusers.models.attention_processor の self.processor で定義されている AttentionProcessor に渡される kwargs の辞書です。

return_dict (bool、任意、デフォルトはTrue) : プレーンなタプルではなく~models.transformer_2d.Transformer2DModelOutputを返すかどうか。

戻り値: torch.Tensor

(batch_size, sequence_length, out_channels) の形状を持つ、ノイズ除去後の出力テンソル。

LTXVideoTransformer3DModel の forward メソッドです。

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

ソース

パラメータ:

sample (torch.Tensor、shape は (batch_size, num_channels, height, width)、または Transformer2DModel が離散型の場合 (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states 入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。

Transformer2DModelの出力です。