# PAN2Transformer3DModel

Diffusion transformer dari PAN 2. Ia menjalankan joint attention pada token video dan token teks, dengan proyeksi dan jaringan feed-forward terpisah untuk setiap stream.

Input video menumpuk latens berisik, latens kondisional, dan mask kondisional satu kanal, sehingga model yang sama melayani teks-ke-video dan gambar-ke-video.

```python
import torch
from diffusers import PAN2Transformer3DModel

transformer = PAN2Transformer3DModel.from_pretrained("IFM/PAN2", subfolder="transformer", dtype=torch.bfloat16)
```

## PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

#### diffusers.PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

```python
diffusers.PAN2Transformer3DModel(patch_size: tuple[int, int, int] = (1, 2, 2), in_channels: int = 97, out_channels: int = 48, num_attention_heads: int = 32, attention_head_dim: int = 128, num_layers: int = 44, num_refiner_layers: int = 4, mlp_ratio: float = 8.0, context_mlp_ratio: float = 4.0, refiner_mlp_ratio: float = 4.0, text_embed_dim: int = 4096, rope_axes_dim: tuple[int, int, int] = (16, 56, 56), rope_theta: float = 256.0, rope_temporal_scale: float = 0.6666666666666666)
```

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L325)

**Parameter:**

patch_size (`tuple[int, int, int]`, defaultnya `(1, 2, 2)`) : Ukuran patch `(t, h, w)` dari patch embedding.

in_channels (`int`, defaultnya `97`) : Jumlah saluran input: latens berisik, latens kondisional, dan satu saluran mask kondisional.

out_channels (`int`, defaultnya `48`) : Jumlah kanal output.

num_attention_heads (`int`, defaultnya `32`) : Jumlah kepala perhatian (attention heads).

attention_head_dim (`int`, defaultnya `128`) : Jumlah channel di setiap attention head.

num_layers (`int`, defaultnya `44`) : Jumlah blok joint-attention.

num_refiner_layers (`int`, defaultnya `4`) : Jumlah blok refiner token yang diterapkan pada embedding teks.

mlp_ratio (`float`, defaultnya `8.0`) : Rasio dimensi dalam feed-forward video terhadap dimensi tersembunyi.

context_mlp_ratio (`float`, defaultnya `4.0`) : Rasio dimensi dalam feed-forward teks terhadap dimensi tersembunyi.

refiner_mlp_ratio (`float`, defaultnya `4.0`) : Rasio dimensi dalam feed-forward token refiner terhadap dimensi tersembunyi.

text_embed_dim (`int`, defaultnya `4096`) : Dimensi dari hidden states text encoder.

rope_axes_dim (`tuple[int, int, int]`, defaultnya `(16, 56, 56)`) : Jumlah channel pada setiap sumbu `(t, h, w)` dalam rotary embedding.

rope_theta (`float`, defaultnya `256.0`) : Basis dari rotary embedding.

rope_temporal_scale (`float`, defaultnya `16 / 24`) : Faktor yang mengalikan posisi frame dari rotary embedding: rasio frame referensi dari rotary embedding terhadap frame rate video (16 atas 24 fps).

Diffusion transformer dari PAN 2.

Sebuah tumpukan blok joint-attention di atas konkatenasi dari latens video yang di-patch dan token teks yang telah disempurnakan. Input video membawa latens berisik, latens kondisional, dan mask kondisional yang ditumpuk di sepanjang sumbu channel, sehingga model yang sama melayani text-to-video dan image-to-video.

#### forward[[diffusers.PAN2Transformer3DModel.forward]]

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

[Sumber](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_pan2.py#L438)

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(batch_size, in_channels, num_frames, height, width)`) : Laten berisik, laten kondisional, dan mask kondisional, yang digabungkan sepanjang channel.

timestep (`torch.Tensor` dengan bentuk `(batch_size,)`) : Langkah waktu denoising dalam `[0, 1000]`.

encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, text_seq_len, text_embed_dim)`) : Hidden states dari text encoder.

attention_kwargs (`dict`, *opsional*) : Kamus kwargs yang diteruskan ke `AttentionProcessor`; hanya digunakan untuk skala LoRA.

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) alih-alih tuple biasa.

**Mengembalikan:** [Transformer2DModelOutput](/docs/diffusers/main/id/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) atau `tuple`

Kecepatan prediksi dari bentuk `(batch_size, out_channels, num_frames, height, width)`.

Metode forward dari [PAN2Transformer3DModel](/docs/diffusers/main/id/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel).