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

LTXVideoTransformer3DModel

Lightricks tarafından LTX için 3B verilerde kullanılan bir Diffusion Transformer modeli tanıtıldı.

Model, aşağıdaki kod parçasıyla yüklenebilir.

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)

Kaynak

Parametreler:

in_channels (int, varsayılan 128) : Girdideki kanal sayısı.

out_channels (int, varsayılan 128) : Çıktıdaki kanal sayısı.

patch_size (int, varsayılan 1) : Yama gömme katmanında kullanılacak uzamsal yamaların boyutu.

patch_size_t (int, varsayılan 1) : Yama gömme katmanında kullanılacak zamansal yamaların boyutu.

num_attention_heads (int, varsayılan 32) : Çok başlı dikkat için kullanılacak baş sayısı.

attention_head_dim (int, varsayılan 64) : Her baştaki kanal sayısı.

cross_attention_dim (int, varsayılan 2048 ) : Çapraz dikkat başlıkları için kanal sayısı.

num_layers (int, varsayılan 28) : Kullanılacak Transformer bloğu katman sayısı.

activation_fn (str, varsayılan "gelu-approximate") : İleri beslemeli ağda kullanılacak aktivasyon fonksiyonu.

qk_norm (str, varsayılan "rms_norm_across_heads") : Kullanılacak normalizasyon katmanı.

LTX içinde kullanılan video benzeri veriler için bir Transformer modeli.

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)

Kaynak

Parametreler:

hidden_states (torch.Tensor, şekli (batch_size, sequence_length, in_channels)) : Girdi hidden_states.

encoder_hidden_states (torch.Tensor, şekli (batch_size, sequence_len, embed_dims)) : Kullanılacak koşullu gömlemeler (giriş koşullarından, örneğin istemlerden hesaplanan gömlemeler).

timestep (torch.LongTensor) : Gürültü azaltma adımını belirtmek için kullanılır.

encoder_attention_mask (torch.Tensor) : Dikkat sırasında encoder_hidden_states uygulanan maske.

num_frames (int, isteğe bağlı) : Döner konumsal gömme hesaplamak için kullanılan videodaki kare sayısı.

height (int, isteğe bağlı) : Döner konumsal gömme hesaplamak için kullanılan latentin yüksekliği.

width (int, isteğe bağlı) : Döner konumsal gömme hesaplamak için kullanılan latentin genişliği.

rope_interpolation_scale (tuple of float or torch.Tensor, opsiyonel) : Döner konumsal gömlemeler tarafından kullanılan interpolasyon ölçeği.

video_coords (torch.Tensor, isteğe bağlı) : Döner konumsal gömme (rotary positional embeddings) tarafından kullanılan önceden hesaplanmış video koordinatları.

attention_kwargs (dict, isteğe bağlı) : Belirtilirse, diffusers.models.attention_processor içinde self.processor altında tanımlanan AttentionProcessor'a iletilen bir kwargs sözlüğü.

return_dict (bool, isteğe bağlı, varsayılan True) : Düz bir tuple yerine ~models.transformer_2d.Transformer2DModelOutput döndürülüp döndürülmediğini belirtir.

Dönüş: torch.Tensor

(batch_size, sequence_length, out_channels) biçimindeki gürültüsü azaltılmış çıktı tensörü.

LTXVideoTransformer3DModel ileri yöntemi.

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

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

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

Kaynak

Parametreler:

sample (torch.Tensor, şekli (batch_size, num_channels, height, width) veya Transformer2DModel ayrık (discrete) ise (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states girdisine koşullu gizli durum (hidden states) çıktısı. Ayrık (discrete) ise, gürültüsü olmayan (unnoised) gizli (latent) pikseller için olasılık dağılımlarını döndürür.

Transformer2DModel'nin çıktısı.