# WanTransformer3DModel

Um modelo Diffusion Transformer para dados de vídeo 3D foi introduzido no [Wan 2.1](https://github.com/Wan-Video/Wan2.1) pela equipe Wan da Alibaba.

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

```python
from diffusers import WanTransformer3DModel

transformer = WanTransformer3DModel.from_pretrained("Wan-AI/Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

#### diffusers.WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

```python
diffusers.WanTransformer3DModel(patch_size: tuple[int, ...] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 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 = None, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None)
```

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan.py#L507)

**Parâmetros:**

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

num_attention_heads (`int`, padrão `40`) : Comprimento fixo para incorporações de texto.

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

in_channels (`int`, padrão `16`) : O número de canais na entrada.

out_channels (`int`, padrão `16`) : O número de canais na saída.

text_dim (`int`, padrão `512`) : Dimensão de entrada para embeddings de texto.

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

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

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

window_size (`tuple[int]`, padrão `(-1, -1)`) : Tamanho da janela para atenção local (-1 indica atenção global).

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

qk_norm (`bool`, padrão `True`) : Ativa a normalização de query/key.

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

add_img_emb (`bool`, padrão `False`) : Se deve usar img_emb.

added_kv_proj_dim (`int`, *opcional*, padrão `None`) : O número de canais a serem usados para as projeções de chave e valor adicionadas. Se `None`, nenhuma projeção é usada.

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

#### forward[[diffusers.WanTransformer3DModel.forward]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan.py#L628)

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` de entrada.

timestep (`torch.LongTensor`) : Usado para indicar o passo de desruidamento.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionais (embeddings calculados a partir das condições de entrada, como prompts) a serem usados.

encoder_hidden_states_image (`torch.Tensor`, *opcional*) : Incorporações de imagem condicionais para geração condicionada por imagem.

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

attention_kwargs (`dict`, *opcional*) : Um dicionário de kwargs que, se especificado, é passado para o `AttentionProcessor` conforme definido em `self.processor` em [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Retorna:**

Se `return_dict` for True, um `~models.transformer_2d.Transformer2DModelOutput` é retornado; caso contrário, uma `tuple` onde o primeiro elemento é o tensor da amostra.

O método forward do [WanTransformer3DModel](/docs/diffusers/main/pt/api/models/wan_transformer_3d#diffusers.WanTransformer3DModel).

## 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).