# MotifVideoTransformer3DModel

Un modelo Diffusion Transformer para datos de video 3D fue introducido en Motif-Video por el equipo de Motif Technologies.

El modelo utiliza una arquitectura de tres etapas con 12 capas de decodificador de doble flujo + 16 capas de decodificador de flujo único + 8 capas de decodificador DDT y embeddings posicionales rotatorios (RoPE) para la generación de video.

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

```python
from diffusers import MotifVideoTransformer3DModel

transformer = MotifVideoTransformer3DModel.from_pretrained("Motif-Technologies/Motif-Video-2B", subfolder="transformer", dtype=torch.bfloat16)
```

## MotifVideoTransformer3DModel[[diffusers.MotifVideoTransformer3DModel]]

#### diffusers.MotifVideoTransformer3DModel[[diffusers.MotifVideoTransformer3DModel]]

```python
diffusers.MotifVideoTransformer3DModel(in_channels: int = 33, out_channels: int = 16, num_attention_heads: int = 24, attention_head_dim: int = 128, num_layers: int = 20, num_single_layers: int = 40, num_decoder_layers: int = 0, mlp_ratio: float = 4.0, patch_size: int = 2, patch_size_t: int = 1, qk_norm: str = 'rms_norm', norm_type: str = 'layer_norm', text_embed_dim: int = 4096, image_embed_dim: int | None = None, rope_theta: float = 256.0, rope_axes_dim: typing.Tuple[int, ...] = (16, 56, 56), enable_text_cross_attention_dual: bool = False, enable_text_cross_attention_single: bool = False)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_motif_video.py#L730)

**Parámetros:**

in_channels (`int`, por defecto `33`) : 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_decoder_layers (`int`, por defecto `0`) : El número de capas del decodificador en los bloques de flujo único.

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.

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

image_embed_dim (`int`, *opcional*) : Dimensión de entrada de las incrustaciones de imagen de un codificador de visión. Si se proporciona, habilita la condicionamiento de imagen.

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.

Un modelo Transformer para datos tipo video utilizado en el modelo Motif-Video.

#### forward[[diffusers.MotifVideoTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_attention_mask: typing.Optional[torch.Tensor] = None, image_embeds: typing.Optional[torch.Tensor] = None, attention_kwargs: typing.Optional[typing.Dict[str, typing.Any]] = None, return_dict: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_motif_video.py#L888)

**Parámetros:**

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

timestep (`torch.LongTensor`) : Pasos de difusión de forma `(batch_size,)`.

encoder_hidden_states (`torch.Tensor`) : Condicionamiento de texto de forma `(batch_size, sequence_length, embed_dim)`.

encoder_attention_mask (`torch.Tensor`) : Máscara para la condición de texto de forma `(batch_size, sequence_length)`.

image_embeds (`torch.Tensor`, *opcional*) : Incrustaciones de imagen del codificador visual de forma `(batch_size, num_tokens, embed_dim)`.

attention_kwargs (`dict`, *opcional*) : Argumentos adicionales para los procesadores de atención.

return_dict (`bool`, por defecto `True`) : Si se debe devolver un [Transformer2DModelOutput](/docs/diffusers/main/es/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput).

**Devuelve:** [Transformer2DModelOutput](/docs/diffusers/main/es/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) o `tuple`

Las muestras predichas.

Paso hacia adelante del MotifVideoTransformer3DModel.

## 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).