diffusers/main/pt/api/models/wan_animate_transformer_3d.md

WanAnimateTransformer3DModel

Um modelo Diffusion Transformer para dados de vídeo 3D foi introduzido em Wan Animate pela equipe Wan da Alibaba.

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

from diffusers import WanAnimateTransformer3DModel

transformer = WanAnimateTransformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)

WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

diffusers.WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

diffusers.WanAnimateTransformer3DModel(patch_size: tuple[int] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int | None = 36, latent_channels: int | None = 16, out_channels: int | None = 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 = 1280, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None, motion_encoder_channel_sizes: dict[str, int] | None = None, motion_encoder_size: int = 512, motion_style_dim: int = 512, motion_dim: int = 20, motion_encoder_dim: int = 512, face_encoder_hidden_dim: int = 1024, face_encoder_num_heads: int = 4, inject_face_latents_blocks: int = 5, motion_encoder_batch_size: int = 8)

Fonte

Parâmetros:

patch_size (tuple[int], padrão (1, 2, 2)) : dimensões do patch 3D para incorporação de vídeo (t_patch, h_patch, w_patch).

num_attention_heads (int, padrão 40) : Comprimento fixo para incorporações de texto.

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

in_channels (int, padrão 16) : O número de canais na entrada.

out_channels (int, padrão 16) : O número de canais na saída.

text_dim (int, padrão 512) : Dimensão de entrada para embeddings de texto.

freq_dim (int, padrão 256) : Dimensão para embeddings de tempo sinusoidais.

ffn_dim (int, padrão 13824) : Dimensão intermediária na rede feed-forward.

num_layers (int, padrão 40) : O número de blocos de transformador a serem usados.

window_size (tuple[int], padrão (-1, -1)) : Tamanho da janela para atenção local (-1 indica atenção global).

cross_attn_norm (bool, padrão True) : Ativa a normalização de atenção cruzada.

qk_norm (bool, padrão True) : Ativa a normalização de query/key.

eps (float, padrão 1e-6) : Valor de epsilon para as camadas de normalização.

image_dim (int, opcional, padrão 1280) : O número de canais a serem usados para o embedding da imagem. Se None, nenhuma projeção é usada.

added_kv_proj_dim (int, opcional, padrão 5120) : O número de canais a serem usados para as projeções de chave e valor adicionadas. Se None, nenhuma projeção é usada.

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

forward[[diffusers.WanAnimateTransformer3DModel.forward]]

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

Fonte

Parâmetros:

hidden_states (torch.Tensor de forma (B, 2C + 4, T + 1, H, W)) : Latentes de vídeo ruidosos de entrada com forma (B, 2C + 4, T + 1, H, W), onde B é o tamanho do lote, C é o número de canais latentes (16 para o Wan VAE), T é o número de quadros latentes em um segmento de inferência, H é a altura latente e W é a largura latente.

timestep : (torch.LongTensor): O passo atual no loop de desruidamento.

encoder_hidden_states (torch.Tensor) : Embebimentos de texto do codificador de texto (umT5 para Wan Animate).

encoder_hidden_states_image (torch.Tensor) : recursos visuais do CLIP da imagem de referência (personagem).

pose_hidden_states (torch.Tensor de forma (B, C, T, H, W)) : Latentes de vídeo de pose. TODO: descrição

face_pixel_values (torch.Tensor de forma (B, C', S, H', W')) : Vídeo facial no espaço de pixels (não no espaço latente). Tipicamente, C' = 3 e H' e W' são a altura/largura do vídeo facial em pixels. Aqui, S é o comprimento do segmento de inferência, geralmente definido como 77.

motion_encode_batch_size (int, opcional) : O tamanho do lote para a codificação em lote do vídeo facial por meio do codificador de movimento. Se não for definido, o valor padrão será self.config.motion_encoder_batch_size.

return_dict (bool, opcional, padrão True) : Se deve retornar a saída como um dicionário ou uma tupla.

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.

Retorna: ~models.transformer_2d.Transformer2DModelOutput ou tuple

Se return_dict for True, um ~models.transformer_2d.Transformer2DModelOutput cujo sample é o latente do vídeo dessoneado é retornado; caso contrário, uma tuple simples cujo primeiro elemento é esse tensor é retornada.

Passada para frente do modelo transformer Wan2.2-Animate.

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.