Buckets:
| # PAN2Transformer3DModel | |
| Диффузионный трансформер PAN 2. Он выполняет совместное внимание по токенам видео и токенам текста, используя отдельные проекции и сети прямого распространения для каждого потока. | |
| Входные данные видео объединяют зашумлённые латенты, латенты условий и одноканальную маску условий, благодаря чему одна и та же модель используется для генерации видео по тексту и по изображению. | |
| ```python | |
| import torch | |
| from diffusers import PAN2Transformer3DModel | |
| transformer = PAN2Transformer3DModel.from_pretrained("IFM/PAN2", subfolder="transformer", dtype=torch.bfloat16) | |
| ``` | |
| ## PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]] | |
| #### diffusers.PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]] | |
| ```python | |
| 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) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L325) | |
| **Параметры:** | |
| patch_size (`tuple[int, int, int]`, по умолчанию `(1, 2, 2)`) : размер патча `(t, h, w)` для встраивания патчей. | |
| in_channels (`int`, по умолчанию `97`) : Количество входных каналов: зашумлённые латенты, латенты условий и один канал маски условий. | |
| out_channels (`int`, по умолчанию `48`) : Количество выходных каналов. | |
| num_attention_heads (`int`, по умолчанию `32`) : Количество головок внимания. | |
| attention_head_dim (`int`, по умолчанию `128`) : количество каналов в каждой голове внимания. | |
| num_layers (`int`, по умолчанию `44`) : Количество блоков совместного внимания. | |
| num_refiner_layers (`int`, по умолчанию `4`) : Количество блоков уточнения токенов, применяемых к текстовым эмбеддингам. | |
| mlp_ratio (`float`, по умолчанию `8.0`) : Соотношение внутренней размерности полносвязного слоя видео к скрытой размерности. | |
| context_mlp_ratio (`float`, по умолчанию `4.0`) : Соотношение внутренней размерности текстового полносвязного слоя к размерности скрытого слоя. | |
| refiner_mlp_ratio (`float`, по умолчанию `4.0`) : Соотношение внутренней размерности полносвязного слоя токенового рефинера к скрытой размерности. | |
| text_embed_dim (`int`, по умолчанию `4096`) : Размерность скрытых состояний текстового энкодера. | |
| rope_axes_dim (`tuple[int, int, int]`, по умолчанию `(16, 56, 56)`) : Количество каналов для каждой оси `(t, h, w)` в ротационном вложении. | |
| rope_theta (`float`, по умолчанию `256.0`) : Основание для вращательного встраивания. | |
| rope_temporal_scale (`float`, по умолчанию `16 / 24`) : Коэффициент, на который умножаются позиции кадров в ротационном встраивании: отношение эталонной частоты кадров ротационного встраивания к частоте кадров видео (16 к 24 кадрам в секунду). | |
| Диффузионный трансформер PAN 2. | |
| Стек блоков совместного внимания, применяемых к конкатенации патчированных латентов видео и уточнённых текстовых токенов. Входные данные видео содержат зашумлённые латенты, латенты для условного формирования и маску условий, сложенные вдоль оси каналов, благодаря чему одна и та же модель используется как для генерации видео по тексту, так и для генерации видео по изображению. | |
| #### forward[[diffusers.PAN2Transformer3DModel.forward]] | |
| ```python | |
| forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True) | |
| ``` | |
| [Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L438) | |
| **Параметры:** | |
| hidden_states (`torch.Tensor` формы `(batch_size, in_channels, num_frames, height, width)`) : зашумлённые латенты, латенты условий и маска условий, склеенные по каналам. | |
| timestep (`torch.Tensor` формы `(batch_size,)`) : Шаг денойзинга в диапазоне `[0, 1000]`. | |
| encoder_hidden_states (`torch.Tensor` формы `(batch_size, text_seq_len, text_embed_dim)`) : Скрытые состояния текстового энкодера. | |
| attention_kwargs (`dict`, *необязательный*) : Словарь kwargs, передаваемый в `AttentionProcessor`; используется только для масштаба LoRA. | |
| return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) вместо обычного кортежа. | |
| **Возвращает:** [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) или `tuple` | |
| Предсказанная скорость формы `(batch_size, out_channels, num_frames, height, width)`. | |
| Метод forward модели [PAN2Transformer3DModel](/docs/diffusers/main/ru/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel). | |
Xet Storage Details
- Size:
- 7 kB
- Xet hash:
- 46283817fdaefca9fc555356564dcdb40eddc5af8e858456ebd3c08d4be75b0c
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.