# MotifVideoTransformer3DModel

Motif Technologies 팀의 Motif-Video에서 3D 비디오 유사 데이터용 Diffusion Transformer 모델이 소개되었습니다.

모델은 비디오 생성을 위해 12개의 dual-stream + 16개의 single-stream + 8개의 DDT decoder 레이어로 구성된 3단계 아키텍처와 rotary positional embeddings(RoPE)을 사용합니다.

다음 코드 스니펫으로 모델을 로드할 수 있습니다.

```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)
```

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

**매개변수:**

in_channels (`int`, 기본값 `33`) : 입력의 채널 수.

out_channels (`int`, 기본값 `16`) : 출력의 채널 수.

num_attention_heads (`int`, 기본값 `24`) : multi-head attention에 사용할 헤드 수입니다.

attention_head_dim (`int`, 기본값 `128`) : 각 헤드(head)의 채널 수입니다.

num_layers (`int`, 기본값 `20`) : 사용할 dual-stream 블록의 레이어 수입니다.

num_single_layers (`int`, 기본값 `40`) : 사용할 단일 스트림 블록의 레이어 수입니다.

num_decoder_layers (`int`, 기본값 `0`) : 단일 스트림 블록의 디코더 레이어 수입니다.

mlp_ratio (`float`, 기본값 `4.0`) : 피드포워드 네트워크에서 은닉층 크기와 입력 크기의 비율입니다.

patch_size (`int`, 기본값 `2`) : 패치 임베딩 레이어에서 사용할 공간 패치의 크기입니다.

patch_size_t (`int`, 기본값 `1`) : 패치 임베딩 레이어에서 사용할 시간적 패치의 크기입니다.

qk_norm (`str`, 기본값 `rms_norm`) : attention 레이어의 query 및 key projection에 사용할 정규화 방법입니다.

text_embed_dim (`int`, 기본값 `4096`) : 텍스트 인코더에서 생성된 텍스트 임베딩의 입력 차원입니다.

image_embed_dim (`int`, *선택 사항*) : 비전 인코더에서 생성된 이미지 임베딩의 입력 차원입니다. 지정하면 이미지 조건화가 활성화됩니다.

rope_theta (`float`, 기본값 `256.0`) : RoPE 레이어에서 사용할 theta 값입니다.

rope_axes_dim (`Tuple[int]`, 기본값 `(16, 56, 56)`) : RoPE 레이어에서 사용할 축의 차원입니다.

Motif-Video 모델에서 사용되는 비디오 유사 데이터용 Transformer 모델입니다.

#### 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)
```

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

**매개변수:**

hidden_states (`torch.Tensor`) : `(batch_size, channels, num_frames, height, width)` 모양의 입력 latent 텐서.

timestep (`torch.LongTensor`) : `(batch_size,)` 형태의 Diffusion timesteps.

encoder_hidden_states (`torch.Tensor`) : `(batch_size, sequence_length, embed_dim)` 형태의 텍스트 조건부.

encoder_attention_mask (`torch.Tensor`) : `(batch_size, sequence_length)` 모양의 텍스트 조건화용 마스크.

image_embeds (`torch.Tensor`, *선택 사항*) : `(batch_size, num_tokens, embed_dim)` 형태의 비전 인코더 이미지 임베딩.

attention_kwargs (`dict`, *선택 사항*) : attention processor에 대한 추가 인자.

return_dict (`bool`, 기본값 `True`) : [Transformer2DModelOutput](/docs/diffusers/main/ko/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput)를 반환할지 여부.

**반환값:** [Transformer2DModelOutput](/docs/diffusers/main/ko/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) 또는 `tuple`

예측된 샘플입니다.

MotifVideoTransformer3DModel의 Forward pass.

## 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)
```

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

**매개변수:**

sample (`torch.Tensor`, shape `(batch_size, num_channels, height, width)` 또는 [Transformer2DModel](/docs/diffusers/main/ko/api/models/transformer2d#diffusers.Transformer2DModel)이 discrete인 경우 `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` 입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.

[Transformer2DModel](/docs/diffusers/main/ko/api/models/transformer2d#diffusers.Transformer2DModel)의 출력입니다.