# WanAnimate2Transformer3DModel

Um modelo Diffusion Transformer para dados de vídeo 3D-like usado no [Wan-Animate-2](https://github.com/Wan-Video/Wan2.2) pela equipe Wan da Alibaba. Ele anima uma imagem de personagem com o movimento de um vídeo de referência por meio de um mecanismo de referência in-context: cada segmento primeiro executa uma passagem de referência (`kv_cache_mode="extract"`) que faz o cache dos K/V de referência de cada camada, e em seguida as passagens de desruido (`kv_cache_mode="cached"`) atendem conjuntamente sobre os tokens de geração e os tokens de referência em cache por meio de um flex `BlockMask`.

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import WanAnimate2Transformer3DModel

transformer = WanAnimate2Transformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-2-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanAnimate2Transformer3DModel[[diffusers.WanAnimate2Transformer3DModel]]

#### diffusers.WanAnimate2Transformer3DModel[[diffusers.WanAnimate2Transformer3DModel]]

```python
diffusers.WanAnimate2Transformer3DModel(patch_size: tuple = (1, 2, 2), text_len: int = 512, in_dim: int = 36, dim: int = 5120, ffn_dim: int = 13824, freq_dim: int = 256, text_dim: int = 4096, out_dim: int = 16, num_heads: int = 40, num_layers: int = 40, cross_attn_norm: bool = True, eps: float = 1e-06, use_img_emb: bool = True, refer_offset_t: int = 1, refer_offset_h: int = 0, refer_offset_w: int = -1, refer_stride: int = 1)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate_2.py#L570)

**Parâmetros:**

patch_size (*tuple[int]*, padrão *(1, 2, 2)*) : dimensões do patch 3D para incorporação de vídeo (t_patch, h_patch, w_patch).

text_len (*int*, padrão *512*) : Comprimento fixo para incorporações de texto.

in_dim (*int*, padrão *36*) : O número de canais na entrada (2 * latent_channels + 4 para o canal de máscara).

dim (*int*, padrão *5120*) : O número de canais no transformer.

ffn_dim (*int*, padrão *13824*) : Dimensão intermediária na rede feed-forward.

freq_dim (*int*, padrão *256*) : Dimensão para embeddings de tempo sinusoidais.

text_dim (*int*, padrão *4096*) : Dimensão de entrada para embeddings de texto.

out_dim (*int*, padrão *16*) : O número de canais na saída.

num_heads (*int*, padrão *40*) : O número de cabeças de atenção.

num_layers (*int*, padrão *40*) : O número de blocos de transformadores a serem usados.

cross_attn_norm (*bool*, padrão *True*) : Ativa a normalização de atenção cruzada.

eps (*float*, padrão *1e-6*) : Valor de epsilon para as camadas de normalização.

use_img_emb (*bool*, padrão *True*) : Se deve usar o embedding de imagem do CLIP.

refer_offset_t (*int*, padrão *1*) : deslocamento de RoPE para a dimensão temporal da referência.

refer_offset_h (*int*, padrão *0*) : deslocamento de RoPE para a dimensão de altura da referência.

refer_offset_w (*int*, padrão *-1*) : deslocamento de RoPE para a dimensão de largura da referência. -1 significa usar o tamanho da grade de geração.

refer_stride (*int*, padrão *1*) : Stride para a aplicação de RoPE na referência.

Um modelo Transformer para dados semelhantes a vídeo usado no modelo Wan-Animate-2.

Wan-Animate-2 usa um mecanismo de atenção em contexto com um KV cache: um vídeo de referência é primeiro codificado (`kv_cache_mode="extract"`) para preencher um [*WanAnimate2KVCache*], e então cada etapa de desruidamento (`kv_cache_mode="cached"`) atende conjuntamente sobre os tokens de geração e o K/V de referência em cache por meio de um flex `BlockMask`. A autoatenção de geração, portanto, é executada apenas no backend de atenção `flex`; toda outra atenção no modelo funciona em qualquer backend.

#### forward[[diffusers.WanAnimate2Transformer3DModel.forward]]

```python
forward(hidden_states: list[torch.Tensor], timestep: Tensor, encoder_hidden_states: list[torch.Tensor], condition_latents: list[torch.Tensor], kv_cache: WanAnimate2KVCache, kv_cache_mode: str, seq_len: int, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, offset_grid_sizes: typing.Optional[torch.Tensor] = None, reference_grid_sizes: typing.Optional[torch.Tensor] = None, origin_len: int | None = None, origin_area: list[int] | None = None, is_uncondtion: bool = False, return_dict: bool = True)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate_2.py#L766)

**Parâmetros:**

hidden_states (`list[torch.Tensor]`) : Latentes para esta passagem — os latentes de referência quando `kv_cache_mode="extract"`, os latentes de geração com ruído quando `kv_cache_mode="cached"`.

timestep (`torch.Tensor`) : Timestep de desruidamento. Ignorado sob `kv_cache_mode="extract"`, que utiliza um timestep fixo de 1.

encoder_hidden_states (`list[torch.Tensor]`) : Incorporações de texto para esta passagem.

condition_latents (`list[torch.Tensor]`) : Latentes de condicionamento concatenados a `hidden_states` antes do patch embedding.

kv_cache (`WanAnimate2KVCache`) : Escrito sob `kv_cache_mode="extract"`, lido sob `"cached"`.

kv_cache_mode (`str`) : `"extract"` executa a passagem de referência e preenche `kv_cache`; `"cached"` executa um passo de desruidamento contra os tokens de referência em cache.

seq_len (`int`) : Contagem de tokens que cada amostra deve ter após a incorporação de patches.

encoder_hidden_states_image (`torch.Tensor`, *opcional*) : incorporações de imagem do CLIP, usadas quando o modelo é configurado com `use_img_emb`.

offset_grid_sizes (`torch.Tensor`, *opcional*) : Grade de patches dos latentes de referência, usada para resolver qualquer `refer_offset_*` definido como -1. Obrigatório quando `kv_cache_mode="extract"`; quando `"cached"`, `reference_grid_sizes` descreve a mesma grade e é usado no lugar.

reference_grid_sizes (`torch.Tensor`, *opcional*) : Grade de patches dos latentes de referência, usada para os embeddings rotativos de referência. Obrigatório quando `kv_cache_mode="cached"`.

origin_len (`int`, *opcional*) : Contagem de quadros do vídeo completo, sobre a qual a máscara de bloco em contexto é construída. Obrigatório sob `kv_cache_mode="cached"`.

origin_area (`list[int]`, *opcional*) : Tamanho espacial `[height, width]` do vídeo completo, sobre o qual a máscara de bloco em contexto é construída. Obrigatório quando `kv_cache_mode="cached"`.

is_uncondtion (`bool`, *opcional*) : Se este é o ramo incondicional da orientação sem classificador.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar um `~models.transformer_2d.Transformer2DModelOutput` em vez de uma tupla simples.

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

A amostra prevista por latente de entrada, sem desfragmentação; uma tupla simples se `return_dict` for `False`.

## 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)
```

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

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/main/pt/api/models/transformer2d#diffusers.Transformer2DModel).