# SanaWMTransformer3DModel

Kamera kontrollü görüntüden video üretimi için kullanılan 3B Boyutlu Difüzyon Transformer'ı (1.6B parametre), [SanaWMPipeline](/docs/diffusers/main/tr/api/pipelines/sana_wm#diffusers.SanaWMPipeline)'ın 1. aşama örnekleyicisi olarak kullanılır. Transformer şunları birleştirir:

* çift yönlü GDN-Triton doğrusal-dikkat ana dalı (derinlik 20, gizli 2240, 20 baş),
* istenen yörünge için bir ışın haritası + Plücker temsilini tüketen bir UCPE (Unified Camera Pose Embedding) kamera kontrol dalı ve
* her `softmax_every_n` katmanda enjekte edilen Wan tarzı 3D döner konum gömme ve periyodik softmax-dikkat blokları.

Model şu şekilde yüklenebilir:

```python
import torch
from diffusers import SanaWMTransformer3DModel

transformer = SanaWMTransformer3DModel.from_pretrained(
    "Efficient-Large-Model/SANA-WM_bidirectional-diffusers",
    subfolder="transformer",
    torch_dtype=torch.bfloat16,
)
```

## SanaWMTransformer3DModel[[diffusers.SanaWMTransformer3DModel]]

#### diffusers.SanaWMTransformer3DModel[[diffusers.SanaWMTransformer3DModel]]

```python
diffusers.SanaWMTransformer3DModel(in_channels: int = 128, num_layers: int = 20, hidden_size: int = 2240, num_attention_heads: int = 20, patch_size: tuple[int, int, int] = (1, 1, 1), softmax_every_n: int = 4, linear_head_dim: int = 112, ffn_type: str = 'GLUMBConvTemp', t_kernel_size: int = 3, conv_kernel_size: int = 4, k_conv_only: bool = True, pos_embed_type: str = 'wan_rope', qk_norm: bool = True, cross_norm: bool = True, y_norm: bool = True, cam_attn_compress: int = 1, init_cam_from_base: bool = True, use_chunk_plucker_post_attn: bool = True, chunk_plucker_channels: int = 48, chunk_plucker_post_attn_blocks: int = 20, fp32_attention: bool = True, image_size: int = 720, caption_channels: int = 2304, mlp_ratio: float = 3.0, mlp_acts: tuple = ('silu', 'silu', None), use_pe: bool = True, learn_sigma: bool = False, pred_sigma: bool = False, mixed_precision: str = 'bf16')
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L2663)

**Parametreler:**

in_channels (*int*, varsayılan 128) : VAE gizli kanalları (LTX-2).

softmax_every_n (*int*, varsayılan 4) : Her N blokta bir softmax dikkat bloğu kullanın.

linear_head_dim (*int*, varsayılan 112) : GDN baş boyutu.

ffn_type (*str*, varsayılan `"GLUMBConvTemp"`) : FFN.

t_kernel_size (*int*, varsayılan 3) : Zamanlama konvolüsyon çekirdeği.

conv_kernel_size (*int*, varsayılan 4) : Dikkat içindeki uzamsal konvolüsyon çekirdeği.

k_conv_only (*bool*, varsayılan True) : conv yalnızca K üzerinde uygulanır.

pos_embed_type (*str*, varsayılan `"wan_rope"`) : Konum gömme.

qk_norm (*bool*, varsayılan True) : Q/K üzerinde RMSNorm.

cross_norm (*bool*, varsayılan True) : Çapraz dikkat K'sinde RMSNorm.

y_norm (*bool*, varsayılan True) : Metin gömcelerine `attention_y_norm` uygulayın.

init_cam_from_base (*bool*, varsayılan olarak True) : Kullanılmıyor; kamera dalı checkpoint'ten yüklenir. Yayınlanan *config.json* dosyalarının yüklenmesi için korunur.

use_chunk_plucker_post_attn (*bool*, varsayılan olarak True). --

chunk_plucker_channels (*int*, varsayılan 48) : `6 dims * temporal_stride 8`.

chunk_plucker_post_attn_blocks (*int*, varsayılan 20) : Tüm bloklar.

fp32_attention (*bool*, varsayılan olarak True) : Kullanılmıyor; dikkat her zaman fp32'de çalışır. Yayımlanmış *config.json* dosyalarının yüklenmesi için korunur.

image_size (*int*, varsayılan 720) : Nominal görüntü boyutu.

caption_channels (*int*, varsayılan 2304) : Gemma-2 gizli boyutu.

SANA-WM 1600M çift yönlü kamera kontrollü DiT.

Tek sınıf DiT (depth=20, hidden_size=2240, patch_size=(1,1,1), num_heads=20 — yani halka açık `Efficient-Large-Model/SANA-WM_bidirectional` sürümü). `save_pretrained` / `from_pretrained`, [ConfigMixin](/docs/diffusers/main/tr/api/configuration#diffusers.ConfigMixin) sayesinde hazır olarak çalışır.

Her blok, her `softmax_every_n`-inci blok hariç olmak üzere, kamera koşullu (UCPE) dikkat mekanizmasını [*BidirectionalGDNUCPESinglePathLiteLA*] çalıştırır; bu istisna bloklar ise softmax karşılığını [*_SoftmaxUCPESinglePathLiteLA*] çalıştırır.

State-dict, bilinçli olarak kaldırılan `pos_embed` tamponu dışında, herkese açık sana checkpoint'i ile birebir aynıdır.

#### forward[[diffusers.SanaWMTransformer3DModel.forward]]

```python
forward(hidden_states: torch.Tensor, timestep: torch.Tensor, encoder_hidden_states: torch.Tensor, encoder_attention_mask: torch.Tensor | None = None, mask: torch.Tensor | None = None, return_dict: bool = True, data_info: Optional[dict] = None, camera_conditions: torch.Tensor | None = None, chunk_plucker: torch.Tensor | None = None, cam_pos_embeds: Optional[dict] = None, pos_embeds: torch.Tensor | None = None, raymats: torch.Tensor | None = None, frame_valid_mask: torch.Tensor | None = None, chunk_size: int | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L2896)

**Parametreler:**

hidden_states : `(B, C, T, H, W)` latentleri.

timestep : `(B, 1, T)` kare başına difüzyon zaman adımları (LTX stili).

encoder_hidden_states : `(B, 1, L, D_caption)` metin gömme değerleri.

encoder_attention_mask : `(B, L)` metin dikkat maskesi (diffusers sözleşmesi).

mask : `encoder_attention_mask`'in sana DiT'nin kwarg adıyla eşleşen bir takma adı. Her ikisi de geçirilirse `mask` önceliklidir.

return_dict : `True` (varsayılan) ise bir `Transformer2DModelOutput` döndürülür; aksi halde tekli bir demet `(sample,)` döndürülür.

data_info : Ek koşullandırma; `data_info["image_vae_embeds"]`, mevcut olduğunda kanallar ekseni boyunca latentlere birleştirilir.

camera_conditions : `(B, T, 20)` kamera kontrolü (UCPE) dalını sürükleyen ham kamera koşulları.

chunk_plucker : Plucker ışın gömüleri `(B, C, T, H, W)`, model `use_chunk_plucker_input` / `use_chunk_plucker_post_attn` ile yapılandırıldığında tüketilir.

cam_pos_embeds : Yeniden hesaplamak yerine yeniden kullanılan, önceden hesaplanmış kamera konumsal gömme değerleri (`"absmap"` / `"P"` girdileri).

pos_embeds : İsteğe bağlı önceden hesaplanmış döner konum gömme değerleri; `None` olduğunda, latent şekilden oluşturulurlar.

raymats : İsteğe bağlı önceden hesaplanmış UCPE ışın matrisleri (yalnızca `cam_pos_embeds` `"P"` taşımadığında kullanılır).

frame_valid_mask : İsteğe bağlı kare başına geçerlilik maskesi, şekli `(B, 1, T, 1, 1)`, `(B, 1, T)` veya `(B, T)`.

chunk_size : Bloklara iletilen parça uzunluğu geçersiz kılma; her bir bloğun yapılandırılmış `chunk_size` değerine geri düşer.

**Dönüş:**

`Transformer2DModelOutput`, `sample` şekli `(B, C, T, H, W)`.

SANA-WM DiT'yi çalıştırın.

#### unpatchify[[diffusers.SanaWMTransformer3DModel.unpatchify]]

```python
unpatchify(x, post_patch_num_frames, post_patch_height, post_patch_width)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_sana_wm.py#L3099)

x: (N, T, patch_size**2 * C) imgs: (N, H, W, C)

## 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.