# MotifVideoTransformer3DModel

Модель Diffusion Transformer для 3D-видеоподобных данных была представлена в Motif-Video командой Motif Technologies.

Модель использует трёхэтапную архитектуру с 12 слоями декодера dual-stream + 16 слоями single-stream + 8 слоями DDT и вращательными позиционными эмбеддингами (RoPE) для генерации видео.

Модель можно загрузить с помощью следующего фрагмента кода.

```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)
```

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

**Параметры:**

in_channels (`int`, по умолчанию `33`) : количество каналов на входе.

out_channels (`int`, по умолчанию `16`) : Количество каналов на выходе.

num_attention_heads (`int`, по умолчанию `24`) : Количество головок для использования в механизме внимания с несколькими головками.

attention_head_dim (`int`, по умолчанию `128`) : количество каналов в каждой голове.

num_layers (`int`, по умолчанию `20`) : Количество используемых слоёв dual-stream блоков.

num_single_layers (`int`, по умолчанию `40`) : Количество слоев однопоточных блоков, которые следует использовать.

num_decoder_layers (`int`, по умолчанию `0`) : Количество слоев декодера в однопоточных блоках.

mlp_ratio (`float`, по умолчанию `4.0`) : Соотношение размера скрытого слоя к размеру входа в полносвязной сети.

patch_size (`int`, по умолчанию `2`) : Размер пространственных патчей, используемых в слое встраивания патчей.

patch_size_t (`int`, по умолчанию `1`) : Размер временных патчей, используемых в слое встраивания патчей.

qk_norm (`str`, по умолчанию `rms_norm`) : Нормализация, используемая для проекций запроса и ключа в слоях внимания.

text_embed_dim (`int`, по умолчанию `4096`) : Размерность входных текстовых эмбеддингов, полученных от текстового энкодера.

image_embed_dim (`int`, *optional*) : Размер входного измерения изображений, полученных от визуального энкодера. Если указано, включает условное формирование на основе изображений.

rope_theta (`float`, по умолчанию `256.0`) : значение theta, используемое в слое RoPE.

rope_axes_dim (`Tuple[int]`, по умолчанию `(16, 56, 56)`) : Размеры осей, используемых в слое RoPE.

Модель Transformer для видеоподобных данных, используемая в модели Motif-Video.

#### 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)
```

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

**Параметры:**

hidden_states (`torch.Tensor`) : Входной тензор латентов формы `(batch_size, channels, num_frames, height, width)`.

timestep (`torch.LongTensor`) : Шаги диффузии формы `(batch_size,)`.

encoder_hidden_states (`torch.Tensor`) : Текстовое условие с формой `(batch_size, sequence_length, embed_dim)`.

encoder_attention_mask (`torch.Tensor`) : Маска для текстового условия формы `(batch_size, sequence_length)`.

image_embeds (`torch.Tensor`, *необязательный*) : Векторные представления изображений из визуального кодировщика формы `(batch_size, num_tokens, embed_dim)`.

attention_kwargs (`dict`, *необязательный*) : Дополнительные аргументы для процессоров внимания.

return_dict (`bool`, по умолчанию `True`) : Возвращать ли [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput).

**Возвращает:** [Transformer2DModelOutput](/docs/diffusers/main/ru/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) или `tuple`

Предсказанные образцы.

Прямой проход модели MotifVideoTransformer3DModel.

## 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)
```

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

**Параметры:**

sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод [Transformer2DModel](/docs/diffusers/main/ru/api/models/transformer2d#diffusers.Transformer2DModel).