# WanAnimateTransformer3DModel

Model Diffusion Transformer untuk data video 3D diperkenalkan dalam [Wan Animate](https://github.com/Wan-Video/Wan2.2) oleh Alibaba Wan Team.

Model dapat dimuat dengan potongan kode berikut.

```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)
```

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

**Parameter:**

patch_size (`tuple[int]`, defaultnya `(1, 2, 2)`) : dimensi patch 3D untuk embedding video (t_patch, h_patch, w_patch).

num_attention_heads (`int`, defaultnya `40`) : Panjang tetap untuk embedding teks.

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

in_channels (`int`, defaultnya `16`) : Jumlah channel pada input.

out_channels (`int`, defaultnya `16`) : Jumlah channel pada output.

text_dim (`int`, defaultnya `512`) : Dimensi input untuk embedding teks.

freq_dim (`int`, defaultnya `256`) : Dimensi untuk penanaman waktu sinusoidal.

ffn_dim (`int`, defaultnya `13824`) : Dimensi perantara dalam jaringan feed-forward.

num_layers (`int`, defaultnya `40`) : Jumlah lapisan blok transformer yang akan digunakan.

window_size (`tuple[int]`, defaultnya `(-1, -1)`) : Ukuran jendela untuk perhatian lokal (-1 menunjukkan perhatian global).

cross_attn_norm (`bool`, defaultnya `True`) : Aktifkan normalisasi cross-attention.

qk_norm (`bool`, defaultnya `True`) : Aktifkan normalisasi query/key.

eps (`float`, defaultnya `1e-6`) : Nilai epsilon untuk lapisan normalisasi.

image_dim (`int`, *opsional*, defaultnya `1280`) : Jumlah saluran yang digunakan untuk embedding gambar. Jika `None`, tidak ada proyeksi yang digunakan.

added_kv_proj_dim (`int`, *opsional*, defaultnya `5120`) : Jumlah channel yang digunakan untuk proyeksi key dan value yang ditambahkan. Jika `None`, tidak ada proyeksi yang digunakan.

Model Transformer untuk data mirip video yang digunakan dalam model 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)
```

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

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(B, 2C + 4, T + 1, H, W)`) : Input latens video berisik dengan bentuk `(B, 2C + 4, T + 1, H, W)`, di mana B adalah ukuran batch, C adalah jumlah kanal latens (16 untuk Wan VAE), T adalah jumlah frame latens dalam segmen inferensi, H adalah tinggi latens, dan W adalah lebar latens.

timestep : (`torch.LongTensor`): Langkah waktu saat ini dalam loop denoising.

encoder_hidden_states (`torch.Tensor`) : Embedding teks dari text encoder (umT5 untuk Wan Animate).

encoder_hidden_states_image (`torch.Tensor`) : fitur visual CLIP dari gambar referensi (karakter).

pose_hidden_states (`torch.Tensor` dengan bentuk `(B, C, T, H, W)`) : Laten video pose. TODO: deskripsi

face_pixel_values (`torch.Tensor` dengan bentuk `(B, C', S, H', W')`) : Video wajah dalam ruang piksel (bukan ruang laten). Biasanya C' = 3 dan H' serta W' adalah tinggi/lebar video wajah dalam piksel. Di sini S adalah panjang segmen inferensi, biasanya diatur ke 77.

motion_encode_batch_size (`int`, *opsional*) : Ukuran batch untuk pengkodean batch video wajah melalui motion encoder. Akan menggunakan `self.config.motion_encoder_batch_size` secara default jika tidak diatur.

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah mengembalikan output sebagai dict atau tuple.

attention_kwargs (`dict`, *opsional*) : Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Mengembalikan:** `~models.transformer_2d.Transformer2DModelOutput` atau `tuple`

Jika `return_dict` bernilai True, sebuah `~models.transformer_2d.Transformer2DModelOutput` yang `sample`-nya adalah latent video yang telah didenoise akan dikembalikan, selain itu sebuah `tuple` biasa yang elemen pertamanya adalah tensor tersebut akan dikembalikan.

Forward pass dari model 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)
```

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

**Parameter:**

sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari [Transformer2DModel](/docs/diffusers/main/id/api/models/transformer2d#diffusers.Transformer2DModel).