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

LTXVideoTransformer3DModel

Модель Diffusion Transformer для 3D-данных от LTX была представлена компанией Lightricks.

Модель можно загрузить с помощью следующего фрагмента кода.

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)

Источник

Параметры:

in_channels (int, по умолчанию 128) : количество каналов на входе.

out_channels (int, по умолчанию 128) : Количество каналов на выходе.

patch_size (int, по умолчанию 1) : Размер пространственных патчей, используемых в слое встраивания патчей.

patch_size_t (int, по умолчанию 1) : Размер временных патчей, используемых в слое встраивания патчей.

num_attention_heads (int, по умолчанию 32) : Количество головок для использования в механизме внимания с несколькими головками.

attention_head_dim (int, по умолчанию 64) : Количество каналов в каждой голове.

cross_attention_dim (int, по умолчанию 2048 ) : Количество каналов для голов кросс-внимания.

num_layers (int, по умолчанию 28) : Количество блоков Transformer, которые следует использовать.

activation_fn (str, по умолчанию "gelu-approximate") : Функция активации, используемая в полносвязном слое.

qk_norm (str, по умолчанию "rms_norm_across_heads") : Слой нормализации, который следует использовать.

Модель Transformer для видеоподобных данных, используемая в 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)

Источник

Параметры:

hidden_states (torch.Tensor формы (batch_size, sequence_length, in_channels)) : Входные hidden_states.

encoder_hidden_states (torch.Tensor формы (batch_size, sequence_len, embed_dims)) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

timestep (torch.LongTensor) : Используется для указания шага денойзинга.

encoder_attention_mask (torch.Tensor) : Маска, применяемая к encoder_hidden_states во время внимания.

num_frames (int, optional) : Количество кадров в видео, используемых для вычисления вращательных позиционных эмбеддингов.

height (int, optional) : Высота латентного представления, используемого для вычисления ротационных позиционных эмбеддингов.

width (int, optional) : Ширина латента, используемого для вычисления ротационных позиционных эмбеддингов.

rope_interpolation_scale (tuple из float или torch.Tensor, необязательный) : Масштаб интерполяции, используемый вращательными позиционными эмбеддингами.

video_coords (torch.Tensor, необязательный) : Предварительно вычисленные координаты видео, используемые вращательными позиционными эмбеддингами.

attention_kwargs (dict, необязательный) : Словарь kwargs, который при указании передается в AttentionProcessor, определенный в self.processor в diffusers.models.attention_processor.

return_dict (bool, необязательный, по умолчанию True) : Возвращать ли ~models.transformer_2d.Transformer2DModelOutput вместо обычного кортежа.

Возвращает: torch.Tensor

Тензор выходных данных после шумоподавления формы (batch_size, sequence_length, out_channels).

Метод forward модели 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)

Источник

Параметры:

sample (torch.Tensor формы (batch_size, num_channels, height, width) или (batch size, num_vector_embeds - 1, num_latent_pixels), если Transformer2DModel дискретный): выходные скрытые состояния, обусловленные входом encoder_hidden_states. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод Transformer2DModel.