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

WanTransformer3DModel

Alibaba Wan Team による Wan 2.1 で、3D ビデオ類似データ向けの Diffusion Transformer モデルが導入されました。

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 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)

ソース

パラメータ:

patch_size (tuple[int]、デフォルトは(1, 2, 2)) : 動画埋め込み用の3Dパッチ次元 (t_patch, h_patch, w_patch)。

num_attention_heads (int、デフォルトは40) : テキスト埋め込みの固定長。

attention_head_dim (int、デフォルトは128) : 各ヘッドのチャネル数。

in_channels (int、デフォルトは16) : 入力におけるチャネル数。

out_channels (int、デフォルトは16) : 出力のチャネル数。

text_dim (int、デフォルトは512) : テキスト埋め込みの入力次元。

freq_dim (int、デフォルトは256) : 正弦波時間埋め込みの次元数。

ffn_dim (int、デフォルトは13824) : フィードフォワードネットワークの中間次元。

num_layers (int、デフォルトは40) : 使用するtransformerブロックの層数。

window_size (tuple[int]、デフォルトは(-1, -1)) : ローカルアテンションのウィンドウサイズ（-1 はグローバルアテンションを示します）。

cross_attn_norm (bool、デフォルトはTrue) : クロスアテンションの正規化を有効にします。

qk_norm (bool、デフォルトはTrue) : クエリ/キーの正規化を有効にします。

eps (float、デフォルトは 1e-6) : 正規化レイヤー用のエプシロン値。

add_img_emb (bool、デフォルトはFalse) : img_embを使用するかどうか。

added_kv_proj_dim (int、任意、デフォルトはNone) : 追加されるキーおよびバリューの投影に使用するチャネル数。Noneの場合、投影は使用されません。

Wanモデルで使用される、動画のようなデータ向けのTransformerモデル。

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)

ソース

パラメータ:

hidden_states (torch.Tensor、形状 (batch_size, num_channels, num_frames, height, width)) : 入力 hidden_states。

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_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）。

encoder_hidden_states_image (torch.Tensor, 任意) : 画像条件付き生成のための条件付き画像埋め込み。

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。

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。

戻り値:

return_dict が True の場合、~models.transformer_2d.Transformer2DModelOutput が返され、それ以外の場合は、最初の要素がサンプルテンソルである tuple が返されます。

WanTransformer3DModel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。