# WanAnimateTransformer3DModel

Alibaba Wan Team tarafından [Wan Animate](https://github.com/Wan-Video/Wan2.2) ile 3D video benzeri veriler için bir Diffusion Transformer modeli tanıtıldı.

Model, aşağıdaki kod parçasıyla yüklenebilir.

```python
from diffusers import WanAnimateTransformer3DModel

transformer = WanAnimateTransformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

#### diffusers.WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

```python
diffusers.WanAnimateTransformer3DModel(patch_size: tuple = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int | None = 36, latent_channels: int | None = 16, out_channels: int | None = 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 = 1280, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None, motion_encoder_channel_sizes: dict[str, int] | None = None, motion_encoder_size: int = 512, motion_style_dim: int = 512, motion_dim: int = 20, motion_encoder_dim: int = 512, face_encoder_hidden_dim: int = 1024, face_encoder_num_heads: int = 4, inject_face_latents_blocks: int = 5, motion_encoder_batch_size: int = 8)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate.py#L986)

**Parametreler:**

patch_size (`tuple[int]`, varsayılan `(1, 2, 2)`) : Video gömme için 3B yama boyutları (t_patch, h_patch, w_patch).

num_attention_heads (`int`, varsayılan `40`) : Metin gömme (embedding) için sabit uzunluk.

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

in_channels (`int`, varsayılan `16`) : Girdideki kanal sayısı.

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

text_dim (`int`, varsayılan `512`) : Metin gömme girdi boyutu.

freq_dim (`int`, varsayılan `256`) : Sinüzoidal zaman gömme boyutu.

ffn_dim (`int`, varsayılan `13824`) : İleri beslemeli ağdaki ara boyut.

num_layers (`int`, varsayılan `40`) : Kullanılacak transformer bloğu katman sayısı.

window_size (`tuple[int]`, varsayılan `(-1, -1)`) : Yerel dikkat için pencere boyutu (-1, global dikkat olduğunu belirtir).

cross_attn_norm (`bool`, varsayılan `True`) : Çapraz dikkat normalizasyonunu etkinleştirir.

qk_norm (`bool`, varsayılan `True`) : Sorgu/anahtar normalizasyonunu etkinleştirir.

eps (`float`, varsayılan `1e-6`) : Normalizasyon katmanları için epsilon değeri.

image_dim (`int`, *isteğe bağlı*, varsayılan `1280`) : Görsel gömme için kullanılacak kanal sayısı. `None` ise, projeksiyon kullanılmaz.

added_kv_proj_dim (`int`, *isteğe bağlı*, varsayılan `5120`) : Eklenen anahtar ve değer projeksiyonları için kullanılacak kanal sayısı. `None` ise projeksiyon kullanılmaz.

WanAnimate modelinde kullanılan, video benzeri veriler için bir Transformer modeli.

#### forward[[diffusers.WanAnimateTransformer3DModel.forward]]

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

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan_animate.py#L1154)

**Parametreler:**

hidden_states (`torch.Tensor`, şekli `(B, 2C + 4, T + 1, H, W)`) : Şekli `(B, 2C + 4, T + 1, H, W)` olan gürültülü video latentleri; burada B parti boyutu, C latent kanal sayısı (Wan VAE için 16), T bir çıkarım segmentindeki latent kare sayısı, H latent yükseklik ve W latent genişliktir.

timestep : (`torch.LongTensor`): Gürültü azaltma döngüsündeki mevcut zaman adımı.

encoder_hidden_states (`torch.Tensor`) : Metin kodlayıcıdan (Wan Animate için umT5) gelen metin gömme değerleri.

encoder_hidden_states_image (`torch.Tensor`) : Referans (karakter) görselinin CLIP görsel özellikleri.

pose_hidden_states (`torch.Tensor`, şekli `(B, C, T, H, W)`) : Poz video latantları. TODO: açıklama

face_pixel_values (`torch.Tensor`, şekli `(B, C', S, H', W')`) : Piksel uzayındaki (latent uzayında değil) yüz videosu. Genellikle C' = 3 ve H' ile W', yüz videosunun piksel cinsinden yükseklik/genişliğidir. Burada S, çıkarım segment uzunluğudur ve genellikle 77 olarak ayarlanır.

motion_encode_batch_size (`int`, *opsiyonel*) : Hareket kodlayıcı aracılığıyla yüz videosunun toplu kodlanmasında kullanılan parti boyutu. Ayarlanmazsa `self.config.motion_encoder_batch_size` varsayılan olarak kullanılır.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Çıktının sözlük (dict) mi yoksa demet (tuple) olarak mı döndürüleceğini belirtir.

attention_kwargs (`dict`, *isteğe bağlı*) : Belirtilirse, [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) içinde `self.processor` altında tanımlanan `AttentionProcessor`'a iletilen bir kwargs sözlüğü.

**Dönüş:** `~models.transformer_2d.Transformer2DModelOutput` veya `tuple`

`return_dict` True ise, `sample` alanı gürültüsü azaltılmış video latentini içeren bir `~models.transformer_2d.Transformer2DModelOutput` döndürülür; aksi halde ilk öğesi bu tensör olan düz bir `tuple` döndürülür.

Wan2.2-Animate dönüştürücü modelinin 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.