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

LTXVideoTransformer3DModel

Um modelo Diffusion Transformer para dados 3D da LTX foi introduzido pela Lightricks.

O modelo pode ser carregado com o seguinte trecho de código.

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)

Fonte

Parâmetros:

in_channels (int, padrão 128) : O número de canais na entrada.

out_channels (int, padrão 128) : O número de canais na saída.

patch_size (int, padrão 1) : O tamanho dos patches espaciais a serem usados na camada de incorporação de patches.

patch_size_t (int, padrão 1) : O tamanho dos patches temporais a serem usados na camada de incorporação de patches.

num_attention_heads (int, padrão 32) : O número de cabeças a serem usadas para a atenção multi-cabeça.

attention_head_dim (int, padrão 64) : O número de canais em cada head.

cross_attention_dim (int, padrão 2048 ) : O número de canais para as cabeças de atenção cruzada.

num_layers (int, padrão 28) : O número de blocos de Transformer a serem usados.

activation_fn (str, padrão "gelu-approximate") : Função de ativação a ser usada no feed-forward.

qk_norm (str, padrão "rms_norm_across_heads") : A camada de normalização a ser usada.

Um modelo Transformer para dados semelhantes a vídeo usado no LTX.

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)

Fonte

Parâmetros:

hidden_states (torch.Tensor de forma (batch_size, sequence_length, in_channels)) : hidden_states de entrada.

encoder_hidden_states (torch.Tensor de forma (batch_size, sequence_len, embed_dims)) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

timestep (torch.LongTensor) : Usado para indicar o passo de desruidamento.

encoder_attention_mask (torch.Tensor) : Máscara aplicada a encoder_hidden_states durante a atenção.

num_frames (int, opcional) : Número de quadros no vídeo usados para calcular os embeddings posicionais rotativos.

height (int, opcional) : Altura do latente usado para calcular os embeddings posicionais rotativos.

width (int, opcional) : Largura do latente usado para calcular os embeddings posicionais rotativos.

rope_interpolation_scale (tuple de float ou torch.Tensor, opcional) : Escala de interpolação usada pelos embeddings posicionais rotativos.

video_coords (torch.Tensor, opcional) : Coordenadas de vídeo pré-computadas usadas pelos embeddings posicionais rotativos.

attention_kwargs (dict, opcional) : Um dicionário de kwargs que, se especificado, é passado para o AttentionProcessor conforme definido em self.processor em diffusers.models.attention_processor.

return_dict (bool, opcional, padrão True) : Indica se deve retornar um ~models.transformer_2d.Transformer2DModelOutput em vez de uma tupla simples.

Retorna: torch.Tensor

O tensor de saída dessonificado com forma (batch_size, sequence_length, out_channels).

O método forward do LTXVideoTransformer3DModel.

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

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

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

Fonte

Parâmetros:

sample (torch.Tensor de forma (batch_size, num_channels, height, width) ou (batch size, num_vector_embeds - 1, num_latent_pixels) se Transformer2DModel for discreto) : A saída dos estados ocultos condicionada à entrada encoder_hidden_states. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de Transformer2DModel.