# PAN2Transformer3DModel

O diffusion transformer do PAN 2. Ele executa atenção conjunta sobre os tokens de vídeo e os tokens de texto, com projeções e redes feed-forward separadas para cada fluxo.

A entrada de vídeo empilha os latentes ruidosos, os latentes de condicionamento e uma máscara de condicionamento de um canal, de modo que o mesmo modelo atende tanto a geração de vídeo a partir de texto quanto a geração de vídeo a partir de imagem.

```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)
```

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

**Parâmetros:**

patch_size (`tuple[int, int, int]`, padrão `(1, 2, 2)`) : O tamanho do patch `(t, h, w)` da incorporação de patches.

in_channels (`int`, padrão `97`) : O número de canais de entrada: latentes ruidosos, latentes de condicionamento e um canal de máscara de condicionamento.

out_channels (`int`, padrão `48`) : O número de canais de saída.

num_attention_heads (`int`, padrão `32`) : O número de cabeças de atenção.

attention_head_dim (`int`, padrão `128`) : O número de canais em cada cabeça de atenção.

num_layers (`int`, padrão `44`) : O número de blocos de atenção conjunta.

num_refiner_layers (`int`, padrão `4`) : O número de blocos de refinamento de tokens aplicados aos embeddings de texto.

mlp_ratio (`float`, padrão `8.0`) : A proporção da dimensão interna do feed-forward do vídeo em relação à dimensão oculta.

context_mlp_ratio (`float`, padrão `4.0`) : A proporção da dimensão interna do feed-forward do texto em relação à dimensão oculta.

refiner_mlp_ratio (`float`, padrão `4.0`) : A proporção da dimensão interna do feed-forward do refinador de tokens em relação à dimensão oculta.

text_embed_dim (`int`, padrão `4096`) : A dimensão dos estados ocultos do codificador de texto.

rope_axes_dim (`tuple[int, int, int]`, padrão `(16, 56, 56)`) : O número de canais de cada eixo `(t, h, w)` no embedding rotativo.

rope_theta (`float`, padrão `256.0`) : A base do embedding rotativo.

rope_temporal_scale (`float`, padrão `16 / 24`) : O fator pelo qual as posições dos quadros do embedding rotativo são multiplicadas: a taxa de quadros de referência do embedding rotativo sobre a taxa de quadros dos vídeos (16 sobre 24 fps).

O transformer de difusão do PAN 2.

Uma pilha de blocos de atenção conjunta sobre a concatenação dos latentes de vídeo em patches e dos tokens de texto refinados. A entrada de vídeo carrega os latentes ruidosos, os latentes de condicionamento e uma máscara de condicionamento empilhados ao longo do eixo de canais, de modo que o mesmo modelo atende tanto a geração de vídeo a partir de texto quanto a geração de vídeo a partir de imagem.

#### 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)
```

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

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, in_channels, num_frames, height, width)`) : Os latentes com ruído, os latentes de condicionamento e a máscara de condicionamento, concatenados ao longo dos canais.

timestep (`torch.Tensor` de forma `(batch_size,)`) : O passo de tempo de remoção de ruído em `[0, 1000]`.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, text_seq_len, text_embed_dim)`) : Os estados ocultos do codificador de texto.

attention_kwargs (`dict`, *opcional*) : Um dicionário de kwargs passado para o `AttentionProcessor`; usado apenas para a escala do LoRA.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve ou não retornar um [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) em vez de uma tupla simples.

**Retorna:** [Transformer2DModelOutput](/docs/diffusers/main/pt/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) ou `tuple`

A velocidade prevista de forma `(batch_size, out_channels, num_frames, height, width)`.

O método forward do [PAN2Transformer3DModel](/docs/diffusers/main/pt/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel).