# WanAnimateTransformer3DModel

Un modelo Diffusion Transformer para datos de video 3D fue introducido en [Wan Animate](https://github.com/Wan-Video/Wan2.2) por el equipo Alibaba Wan.

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

```python
from diffusers import WanAnimateTransformer3DModel

transformer = WanAnimateTransformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

#### diffusers.WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

```python
diffusers.WanAnimateTransformer3DModel(patch_size: tuple[int] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int | None = 36, latent_channels: int | None = 16, out_channels: int | None = 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 = 1280, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None, motion_encoder_channel_sizes: dict[str, int] | None = None, motion_encoder_size: int = 512, motion_style_dim: int = 512, motion_dim: int = 20, motion_encoder_dim: int = 512, face_encoder_hidden_dim: int = 1024, face_encoder_num_heads: int = 4, inject_face_latents_blocks: int = 5, motion_encoder_batch_size: int = 8)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate.py#L986)

**Parámetros:**

patch_size (`tuple[int]`, por defecto `(1, 2, 2)`) : dimensiones de parche 3D para la incrustación de video (t_patch, h_patch, w_patch).

num_attention_heads (`int`, por defecto `40`) : Longitud fija para las incorporaciones de texto.

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

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.

text_dim (`int`, por defecto `512`) : Dimensión de entrada para las incrustaciones de texto.

freq_dim (`int`, por defecto `256`) : Dimensión para las incrustaciones sinusoidales de tiempo.

ffn_dim (`int`, por defecto `13824`) : Dimensión intermedia en la red feed-forward.

num_layers (`int`, por defecto `40`) : El número de capas de bloques de transformador a utilizar.

window_size (`tuple[int]`, por defecto `(-1, -1)`) : Tamaño de la ventana para la atención local (-1 indica atención global).

cross_attn_norm (`bool`, por defecto `True`) : Habilita la normalización de atención cruzada.

qk_norm (`bool`, por defecto `True`) : Habilita la normalización de consulta/clave.

eps (`float`, por defecto `1e-6`) : Valor de epsilon para las capas de normalización.

image_dim (`int`, *opcional*, valor predeterminado `1280`) : El número de canales a utilizar para la incrustación de la imagen. Si es `None`, no se utiliza ninguna proyección.

added_kv_proj_dim (`int`, *opcional*, valor predeterminado `5120`) : El número de canales a utilizar para las proyecciones de clave y valor añadidas. Si es `None`, no se utiliza ninguna proyección.

Un modelo Transformer para datos similares a video utilizado en el modelo WanAnimate.

#### forward[[diffusers.WanAnimateTransformer3DModel.forward]]

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

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate.py#L1154)

**Parámetros:**

hidden_states (`torch.Tensor` de forma `(B, 2C + 4, T + 1, H, W)`) : Latentes de video con ruido de entrada de forma `(B, 2C + 4, T + 1, H, W)`, donde B es el tamaño del lote, C es el número de canales latentes (16 para Wan VAE), T es el número de fotogramas latentes en un segmento de inferencia, H es la altura latente y W es el ancho latente.

timestep : (`torch.LongTensor`): El paso temporal actual en el bucle de desruido.

encoder_hidden_states (`torch.Tensor`) : Embeddings de texto del codificador de texto (umT5 para Wan Animate).

encoder_hidden_states_image (`torch.Tensor`) : Características visuales de CLIP de la imagen de referencia (personaje).

pose_hidden_states (`torch.Tensor` de forma `(B, C, T, H, W)`) : Latentes de video de pose. TODO: descripción

face_pixel_values (`torch.Tensor` de forma `(B, C', S, H', W')`) : Video facial en espacio de píxeles (no en espacio latente). Típicamente C' = 3 y H' y W' son la altura/ancho del video facial en píxeles. Aquí S es la longitud del segmento de inferencia, generalmente fijada en 77.

motion_encode_batch_size (`int`, *opcional*) : El tamaño del lote para la codificación por lotes del video facial mediante el codificador de movimiento. Si no se establece, el valor predeterminado será `self.config.motion_encoder_batch_size`.

return_dict (`bool`, *opcional*, por defecto `True`) : Si se devuelve la salida como un diccionario o una tupla.

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).

**Devuelve:** `~models.transformer_2d.Transformer2DModelOutput` o `tuple`

Si `return_dict` es True, se devuelve un `~models.transformer_2d.Transformer2DModelOutput` cuyo `sample` es el latente del video desruidado; de lo contrario, se devuelve una `tuple` simple cuyo primer elemento es ese tensor.

Paso hacia adelante del modelo transformer Wan2.2-Animate.

## 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).