diffusers/main/pt/api/models/pan2_transformer3d.md

PAN2Transformer3DModel

O diffusion transformer do PAN 2. Ele executa atenção conjunta sobre os tokens de vídeo e os tokens de texto, com projeções e redes feed-forward separadas para cada fluxo.

A entrada de vídeo empilha os latentes ruidosos, os latentes de condicionamento e uma máscara de condicionamento de um canal, de modo que o mesmo modelo atende tanto a geração de vídeo a partir de texto quanto a geração de vídeo a partir de imagem.

import torch
from diffusers import PAN2Transformer3DModel

transformer = PAN2Transformer3DModel.from_pretrained("IFM/PAN2", subfolder="transformer", dtype=torch.bfloat16)

PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

diffusers.PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

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)

Fonte

Parâmetros:

patch_size (tuple[int, int, int], padrão (1, 2, 2)) : O tamanho do patch (t, h, w) da incorporação de patches.

in_channels (int, padrão 97) : O número de canais de entrada: latentes ruidosos, latentes de condicionamento e um canal de máscara de condicionamento.

out_channels (int, padrão 48) : O número de canais de saída.

num_attention_heads (int, padrão 32) : O número de cabeças de atenção.

attention_head_dim (int, padrão 128) : O número de canais em cada cabeça de atenção.

num_layers (int, padrão 44) : O número de blocos de atenção conjunta.

num_refiner_layers (int, padrão 4) : O número de blocos de refinamento de tokens aplicados aos embeddings de texto.

mlp_ratio (float, padrão 8.0) : A proporção da dimensão interna do feed-forward do vídeo em relação à dimensão oculta.

context_mlp_ratio (float, padrão 4.0) : A proporção da dimensão interna do feed-forward do texto em relação à dimensão oculta.

refiner_mlp_ratio (float, padrão 4.0) : A proporção da dimensão interna do feed-forward do refinador de tokens em relação à dimensão oculta.

text_embed_dim (int, padrão 4096) : A dimensão dos estados ocultos do codificador de texto.

rope_axes_dim (tuple[int, int, int], padrão (16, 56, 56)) : O número de canais de cada eixo (t, h, w) no embedding rotativo.

rope_theta (float, padrão 256.0) : A base do embedding rotativo.

rope_temporal_scale (float, padrão 16 / 24) : O fator pelo qual as posições dos quadros do embedding rotativo são multiplicadas: a taxa de quadros de referência do embedding rotativo sobre a taxa de quadros dos vídeos (16 sobre 24 fps).

O transformer de difusão do PAN 2.

Uma pilha de blocos de atenção conjunta sobre a concatenação dos latentes de vídeo em patches e dos tokens de texto refinados. A entrada de vídeo carrega os latentes ruidosos, os latentes de condicionamento e uma máscara de condicionamento empilhados ao longo do eixo de canais, de modo que o mesmo modelo atende tanto a geração de vídeo a partir de texto quanto a geração de vídeo a partir de imagem.

forward[[diffusers.PAN2Transformer3DModel.forward]]

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

Fonte

Parâmetros:

hidden_states (torch.Tensor de forma (batch_size, in_channels, num_frames, height, width)) : Os latentes com ruído, os latentes de condicionamento e a máscara de condicionamento, concatenados ao longo dos canais.

timestep (torch.Tensor de forma (batch_size,)) : O passo de tempo de remoção de ruído em [0, 1000].

encoder_hidden_states (torch.Tensor de forma (batch_size, text_seq_len, text_embed_dim)) : Os estados ocultos do codificador de texto.

attention_kwargs (dict, opcional) : Um dicionário de kwargs passado para o AttentionProcessor; usado apenas para a escala do LoRA.

return_dict (bool, opcional, padrão True) : Se deve ou não retornar um Transformer2DModelOutput em vez de uma tupla simples.

Retorna: Transformer2DModelOutput ou tuple

A velocidade prevista de forma (batch_size, out_channels, num_frames, height, width).

O método forward do PAN2Transformer3DModel.