diffusers/main/tr/api/models/wan_transformer_3d.md

WanTransformer3DModel

3D video benzeri veriler için bir Diffusion Transformer modeli, Alibaba Wan Team tarafından Wan 2.1'de tanıtıldı.

Model, aşağıdaki kod parçasıyla yüklenebilir.

from diffusers import WanTransformer3DModel

transformer = WanTransformer3DModel.from_pretrained("Wan-AI/Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)

WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

diffusers.WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

diffusers.WanTransformer3DModel(patch_size: tuple = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 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 = None, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None)

Kaynak

Parametreler:

patch_size (tuple[int], varsayılan (1, 2, 2)) : Video gömme için 3B yama boyutları (t_patch, h_patch, w_patch).

num_attention_heads (int, varsayılan 40) : Metin gömme (embedding) için sabit uzunluk.

attention_head_dim (int, varsayılan 128) : Her baştaki kanal sayısı.

in_channels (int, varsayılan 16) : Girdideki kanal sayısı.

out_channels (int, varsayılan 16) : Çıktıdaki kanal sayısı.

text_dim (int, varsayılan 512) : Metin gömme girdi boyutu.

freq_dim (int, varsayılan 256) : Sinüzoidal zaman gömme boyutu.

ffn_dim (int, varsayılan 13824) : İleri beslemeli ağdaki ara boyut.

num_layers (int, varsayılan 40) : Kullanılacak transformer bloğu katman sayısı.

window_size (tuple[int], varsayılan (-1, -1)) : Yerel dikkat için pencere boyutu (-1, global dikkat olduğunu belirtir).

cross_attn_norm (bool, varsayılan True) : Çapraz dikkat normalizasyonunu etkinleştirir.

qk_norm (bool, varsayılan True) : Sorgu/anahtar normalizasyonunu etkinleştirir.

eps (float, varsayılan 1e-6) : Normalizasyon katmanları için epsilon değeri.

add_img_emb (bool, varsayılan False) : img_emb kullanılacak mı?

added_kv_proj_dim (int, isteğe bağlı, varsayılan None) : Eklenen anahtar ve değer projeksiyonları için kullanılacak kanal sayısı. None ise projeksiyon kullanılmaz.

Wan modelinde kullanılan, video benzeri veriler için bir Transformer modeli.

forward[[diffusers.WanTransformer3DModel.forward]]

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

Kaynak

Parametreler:

hidden_states (torch.Tensor, şekli (batch_size, num_channels, num_frames, height, width)) : Girdi hidden_states.

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

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

encoder_hidden_states_image (torch.Tensor, isteğe bağlı) : Görsel koşullu üretim için koşullu görsel gömme değerleri.

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

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

Dönüş:

return_dict True ise, ~models.transformer_2d.Transformer2DModelOutput döndürülür, aksi takdirde ilk öğesi örnek tensörü olan bir tuple döndürülür.

WanTransformer3DModel 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.