# HunyuanVideoTransformer3DModel

Un modelo Diffusion Transformer para datos de video 3D fue introducido en [HunyuanVideo: A Systematic Framework For Large Video Generative Models](https://huggingface.co/papers/2412.03603) por Tencent.

El modelo se puede cargar con el siguiente fragmento de código.

```python
from diffusers import HunyuanVideoTransformer3DModel

transformer = HunyuanVideoTransformer3DModel.from_pretrained("hunyuanvideo-community/HunyuanVideo", subfolder="transformer", dtype=torch.bfloat16)
```

## HunyuanVideoTransformer3DModel[[diffusers.HunyuanVideoTransformer3DModel]]

#### diffusers.HunyuanVideoTransformer3DModel[[diffusers.HunyuanVideoTransformer3DModel]]

```python
diffusers.HunyuanVideoTransformer3DModel(in_channels: int = 16, out_channels: int = 16, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 20, num_single_layers: int = 40, num_refiner_layers: int = 2, mlp_ratio: float = 4.0, patch_size: int = 2, patch_size_t: int = 1, qk_norm: str = 'rms_norm', guidance_embeds: bool = True, text_embed_dim: int = 4096, pooled_projection_dim: int = 768, rope_theta: float = 256.0, rope_axes_dim: tuple[int, ...] = (16, 56, 56), image_condition_type: str | None = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video.py#L841)

**Parámetros:**

in_channels (`int`, por defecto `16`) : El número de canales en la entrada.

out_channels (`int`, por defecto `16`) : El número de canales en la salida.

num_attention_heads (`int`, por defecto `24`) : El número de cabezas a utilizar para la atención multi-cabeza.

attention_head_dim (`int`, por defecto `128`) : El número de canales en cada cabeza.

num_layers (`int`, por defecto `20`) : El número de capas de bloques dual-stream a utilizar.

num_single_layers (`int`, por defecto `40`) : El número de capas de bloques de flujo único a utilizar.

num_refiner_layers (`int`, por defecto `2`) : El número de capas de bloques de refinamiento a utilizar.

mlp_ratio (`float`, por defecto `4.0`) : La proporción entre el tamaño de la capa oculta y el tamaño de la entrada en la red feedforward.

patch_size (`int`, por defecto `2`) : El tamaño de los parches espaciales a utilizar en la capa de incrustación de parches.

patch_size_t (`int`, por defecto `1`) : El tamaño de los parches temporales a utilizar en la capa de incrustación de parches.

qk_norm (`str`, por defecto `rms_norm`) : La normalización que se utilizará para las proyecciones de consulta y clave en las capas de atención.

guidance_embeds (`bool`, por defecto `True`) : Si se deben usar embeddings de guía en el modelo.

text_embed_dim (`int`, por defecto `4096`) : Dimensión de entrada de las incrustaciones de texto del codificador de texto.

pooled_projection_dim (`int`, por defecto `768`) : La dimensión de la proyección agrupada de las incrustaciones de texto.

rope_theta (`float`, por defecto `256.0`) : El valor de theta que se utilizará en la capa RoPE.

rope_axes_dim (`tuple[int]`, por defecto `(16, 56, 56)`) : Las dimensiones de los ejes a utilizar en la capa RoPE.

image_condition_type (`str`, *opcional*, valor predeterminado `None`) : El tipo de condicionamiento de imagen a utilizar. Si es `None`, no se utiliza condicionamiento de imagen. Si es `latent_concat`, la imagen se concatena al flujo latente. Si es `token_replace`, la imagen se utiliza para reemplazar los tokens del primer fotograma en el flujo latente y aplicar el condicionamiento.

Un modelo Transformer para datos tipo video utilizado en [HunyuanVideo](https://huggingface.co/tencent/HunyuanVideo).

#### forward[[diffusers.HunyuanVideoTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_attention_mask: Tensor, pooled_projections: Tensor, guidance: Tensor = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video.py#L994)

**Parámetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` de entrada.

timestep (`torch.LongTensor`) : Se utiliza para indicar el paso de desruido.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

encoder_attention_mask (`torch.Tensor`) : Máscara aplicada a `encoder_hidden_states` durante la atención.

pooled_projections (`torch.Tensor` de forma `(batch_size, projection_dim)`) : Embeddings proyectados a partir de los embeddings de las condiciones de entrada.

guidance (`torch.Tensor`, *opcional*) : Embedding de escala de guía utilizado para las variantes destiladas por guía del modelo.

attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que, si se especifica, se pasa al `AttentionProcessor` tal como se define bajo `self.processor` en [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un `~models.transformer_2d.Transformer2DModelOutput` en lugar de una tupla simple.

**Devuelve:**

Si `return_dict` es True, se devuelve un `~models.transformer_2d.Transformer2DModelOutput`; en caso contrario, se devuelve una `tuple` cuyo primer elemento es el tensor de la muestra.

El método forward de [HunyuanVideoTransformer3DModel](/docs/diffusers/main/es/api/models/hunyuan_video_transformer_3d#diffusers.HunyuanVideoTransformer3DModel).

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

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

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

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**Parámetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel) es discreto): las salidas de estados ocultos condicionadas a la entrada `encoder_hidden_states`. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido.

La salida de [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel).