# MotifVideoTransformer3DModel

Motif Technologies Team tarafından Motif-Video'da tanıtılan, 3B video benzeri veriler için bir Diffusion Transformer modeli.

Model, video üretimi için 12 çift akış + 16 tek akış + 8 DDT kodlayıcı katmanlı üç aşamalı bir mimari ve döner konumsal gömme (RoPE) kullanır.

Model, aşağıdaki kod parçasıyla yüklenebilir.

```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)
```

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

**Parametreler:**

in_channels (`int`, varsayılan `33`) : Girdideki kanal sayısı.

out_channels (`int`, varsayılan `16`) : Çıktıdaki kanal sayısı.

num_attention_heads (`int`, varsayılan `24`) : Çok başlı dikkat için kullanılacak baş sayısı.

attention_head_dim (`int`, varsayılan `128`) : Her baştaki kanal sayısı.

num_layers (`int`, varsayılan `20`) : Kullanılacak çift akış bloğu katman sayısı.

num_single_layers (`int`, varsayılan `40`) : Kullanılacak tek akışlı blok katman sayısı.

num_decoder_layers (`int`, varsayılan `0`) : Tek akışlı bloklardaki decoder katmanlarının sayısı.

mlp_ratio (`float`, varsayılan `4.0`) : İleri beslemeli ağda gizli katman boyutunun giriş boyutuna oranı.

patch_size (`int`, varsayılan `2`) : Yama gömme katmanında kullanılacak uzamsal yamaların boyutu.

patch_size_t (`int`, varsayılan `1`) : Yama gömme katmanında kullanılacak zamansal yamaların boyutu.

qk_norm (`str`, varsayılan `rms_norm`) : Dikkat katmanlarında sorgu ve anahtar projeksiyonları için kullanılacak normalizasyon.

text_embed_dim (`int`, varsayılan `4096`) : Metin kodlayıcısından gelen metin gömme girdi boyutu.

image_embed_dim (`int`, *isteğe bağlı*) : Görüntü kodlayıcısından gelen görüntü gömme girdi boyutu. Sağlanırsa, görüntü koşullandırmasını etkinleştirir.

rope_theta (`float`, varsayılan `256.0`) : RoPE katmanında kullanılacak theta değeri.

rope_axes_dim (`Tuple[int]`, varsayılan `(16, 56, 56)`) : RoPE katmanında kullanılacak eksenlerin boyutları.

Motif-Video modelinde kullanılan, video benzeri veriler için bir Transformer modeli.

#### 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)
```

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

**Parametreler:**

hidden_states (`torch.Tensor`) : `(batch_size, channels, num_frames, height, width)` biçiminde girdi latent tensörü.

timestep (`torch.LongTensor`) : `(batch_size,)` biçiminde difüzyon zaman adımları.

encoder_hidden_states (`torch.Tensor`) : `(batch_size, sequence_length, embed_dim)` biçiminde metin koşullandırma.

encoder_attention_mask (`torch.Tensor`) : `(batch_size, sequence_length)` biçiminde metin koşullandırma maskesi.

image_embeds (`torch.Tensor`, *isteğe bağlı*) : `(batch_size, num_tokens, embed_dim)` biçiminde, görme kodlayıcısından gelen görüntü gömme değerleri.

attention_kwargs (`dict`, *isteğe bağlı*) : Dikkat işleyicileri için ek argümanlar.

return_dict (`bool`, varsayılan `True`) : Bir [Transformer2DModelOutput](/docs/diffusers/main/tr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) döndürülüp döndürülmediğini belirtir.

**Dönüş:** [Transformer2DModelOutput](/docs/diffusers/main/tr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) veya `tuple`

Tahmin edilen örnekler.

MotifVideoTransformer3DModel'in ileri geçişi.

## 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)
```

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

**Parametreler:**

sample (`torch.Tensor`, şekli `(batch_size, num_channels, height, width)` veya [Transformer2DModel](/docs/diffusers/main/tr/api/models/transformer2d#diffusers.Transformer2DModel) ayrık (discrete) ise `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` girdisine koşullu gizli durum (hidden states) çıktısı. Ayrık (discrete) ise, gürültüsü olmayan (unnoised) gizli (latent) pikseller için olasılık dağılımlarını döndürür.

[Transformer2DModel](/docs/diffusers/main/tr/api/models/transformer2d#diffusers.Transformer2DModel)'nin çıktısı.