# WanTransformer3DModel

Модель Diffusion Transformer для 3D-видеоподобных данных была представлена в [Wan 2.1](https://github.com/Wan-Video/Wan2.1) командой Alibaba Wan Team.

Модель можно загрузить с помощью следующего фрагмента кода.

```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)
```

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

**Параметры:**

patch_size (`tuple[int]`, по умолчанию `(1, 2, 2)`) : размеры 3D-патчей для встраивания видео (t_patch, h_patch, w_patch).

num_attention_heads (`int`, по умолчанию `40`) : фиксированная длина для текстовых эмбеддингов.

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

in_channels (`int`, по умолчанию `16`) : количество каналов на входе.

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

text_dim (`int`, по умолчанию `512`) : Размерность входных векторов для текстовых эмбеддингов.

freq_dim (`int`, по умолчанию `256`) : Размерность для синусоидных временных эмбеддингов.

ffn_dim (`int`, по умолчанию `13824`) : Промежуточное измерение в полносвязной сети.

num_layers (`int`, по умолчанию `40`) : Количество используемых блоков трансформера.

window_size (`tuple[int]`, по умолчанию `(-1, -1)`) : Размер окна для локального внимания (-1 означает глобальное внимание).

cross_attn_norm (`bool`, по умолчанию `True`) : Включает нормализацию кросс-внимания.

qk_norm (`bool`, по умолчанию `True`) : Включает нормализацию запросов/ключей.

eps (`float`, по умолчанию `1e-6`) : Значение эпсилона для слоёв нормализации.

add_img_emb (`bool`, по умолчанию `False`) : Использовать ли img_emb.

added_kv_proj_dim (`int`, *необязательный*, по умолчанию `None`) : Количество каналов, используемых для добавленных проекций ключей и значений. Если `None`, проекция не используется.

Модель Transformer для видеоподобных данных, используемая в модели 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)
```

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

**Параметры:**

hidden_states (`torch.Tensor` формы `(batch_size, num_channels, num_frames, height, width)`) : входные `hidden_states`.

timestep (`torch.LongTensor`) : Используется для указания шага денойзинга.

encoder_hidden_states (`torch.Tensor` формы `(batch_size, sequence_len, embed_dims)`) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

encoder_hidden_states_image (`torch.Tensor`, *необязательный*) : Условные эмбеддинги изображений для генерации с условием на изображение.

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `~models.transformer_2d.Transformer2DModelOutput` вместо обычного кортежа.

attention_kwargs (`dict`, *необязательный*) : Словарь kwargs, который при указании передается в `AttentionProcessor`, определенный в `self.processor` в [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Возвращает:**

Если `return_dict` равно True, возвращается `~models.transformer_2d.Transformer2DModelOutput`, иначе — `tuple`, первым элементом которого является тензор выборки.

Метод forward модели [WanTransformer3DModel](/docs/diffusers/main/ru/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)
```

[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).