# HunyuanVideo15Transformer3DModel Một mô hình Diffusion Transformer cho dữ liệu dạng video 3D được sử dụng trong [HunyuanVideo1.5](https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5). Mô hình có thể được tải bằng đoạn mã sau. ```python from diffusers import HunyuanVideo15Transformer3DModel transformer = HunyuanVideo15Transformer3DModel.from_pretrained("hunyuanvideo-community/HunyuanVideo-1.5-Diffusers-480p_t2v" subfolder="transformer", dtype=torch.bfloat16) ``` ## HunyuanVideo15Transformer3DModel[[diffusers.HunyuanVideo15Transformer3DModel]] #### diffusers.HunyuanVideo15Transformer3DModel[[diffusers.HunyuanVideo15Transformer3DModel]] ```python diffusers.HunyuanVideo15Transformer3DModel(in_channels: int = 65, out_channels: int = 32, num_attention_heads: int = 16, attention_head_dim: int = 128, num_layers: int = 54, num_refiner_layers: int = 2, mlp_ratio: float = 4.0, patch_size: int = 1, patch_size_t: int = 1, qk_norm: str = 'rms_norm', text_embed_dim: int = 3584, text_embed_2_dim: int = 1472, image_embed_dim: int = 1152, rope_theta: float = 256.0, rope_axes_dim: tuple[int, ...] = (16, 56, 56), target_size: int = 640, task_type: str = 'i2v', use_meanflow: bool = False) ``` [Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video15.py#L510) **Tham số:** in_channels (`int`, mặc định là `16`) : Số lượng kênh trong đầu vào. out_channels (`int`, mặc định là `16`) : Số lượng kênh trong đầu ra. num_attention_heads (`int`, mặc định là `24`) : Số lượng đầu (heads) được sử dụng cho cơ chế chú ý đa đầu (multi-head attention). attention_head_dim (`int`, mặc định là `128`) : Số lượng kênh trong mỗi head. num_layers (`int`, mặc định là `20`) : Số lượng lớp của các khối dual-stream cần sử dụng. num_refiner_layers (`int`, mặc định là `2`) : Số lượng lớp của các khối refiner cần sử dụng. mlp_ratio (`float`, mặc định là `4.0`) : Tỷ lệ giữa kích thước lớp ẩn và kích thước đầu vào trong mạng feedforward. patch_size (`int`, mặc định là `2`) : Kích thước của các patch không gian được sử dụng trong lớp nhúng patch. patch_size_t (`int`, mặc định là `1`) : Kích thước của các patch thời gian (temporal patches) được sử dụng trong lớp nhúng patch (patch embedding layer). qk_norm (`str`, mặc định là `rms_norm`) : Phương pháp chuẩn hóa được sử dụng cho các phép chiếu query và key trong các lớp attention. guidance_embeds (`bool`, mặc định là `True`) : Có sử dụng guidance embeddings trong mô hình hay không. text_embed_dim (`int`, mặc định là `4096`) : Kích thước chiều đầu vào của các vector nhúng văn bản từ bộ mã hóa văn bản. pooled_projection_dim (`int`, mặc định là `768`) : Kích thước của phép chiếu đã gộp (pooled projection) của các nhúng văn bản (text embeddings). rope_theta (`float`, mặc định là `256.0`) : Giá trị của theta được sử dụng trong lớp RoPE. rope_axes_dim (`tuple[int]`, mặc định là `(16, 56, 56)`) : Kích thước của các trục được sử dụng trong lớp RoPE. Một mô hình Transformer cho dữ liệu dạng video được sử dụng trong [HunyuanVideo1.5](https://huggingface.co/tencent/HunyuanVideo1.5). #### forward[[diffusers.HunyuanVideo15Transformer3DModel.forward]] ```python forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_attention_mask: Tensor, timestep_r: typing.Optional[torch.LongTensor] = None, encoder_hidden_states_2: typing.Optional[torch.Tensor] = None, encoder_attention_mask_2: typing.Optional[torch.Tensor] = None, image_embeds: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True) ``` [Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_hunyuan_video15.py#L623) **Tham số:** hidden_states (`torch.Tensor` có hình dạng `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` đầu vào. timestep (`torch.LongTensor`) : Dùng để chỉ bước khử nhiễu. encoder_hidden_states (`torch.Tensor` có shape `(batch_size, sequence_len, embed_dims)`) : Các embeddings điều kiện (embeddings được tính từ các điều kiện đầu vào như prompts) cần sử dụng. encoder_attention_mask (`torch.Tensor`) : Mặt nạ được áp dụng cho `encoder_hidden_states` trong quá trình chú ý. timestep_r (`torch.LongTensor`, *tùy chọn*) : Điều kiện bước thời gian của Refiner. encoder_hidden_states_2 (`torch.Tensor`, *tùy chọn*) : Các embedding điều kiện bổ sung được tính toán từ trình mã hóa văn bản thứ hai (ByT5). encoder_attention_mask_2 (`torch.Tensor`, *tùy chọn*) : Mặt nạ được áp dụng cho `encoder_hidden_states_2` trong quá trình chú ý. image_embeds (`torch.Tensor`, *tùy chọn*) : Nhúng hình ảnh cho việc tạo hình có điều kiện theo hình ảnh. attention_kwargs (`dict`, *tùy chọn*) : Một từ điển kwargs mà nếu được chỉ định sẽ được truyền đến `AttentionProcessor` như đã định nghĩa dưới `self.processor` trong [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py). return_dict (`bool`, *tùy chọn*, mặc định là `True`) : Có nên trả về một `~models.transformer_2d.Transformer2DModelOutput` thay vì một tuple thông thường hay không. **Trả về:** Nếu `return_dict` là True, một `~models.transformer_2d.Transformer2DModelOutput` sẽ được trả về, ngược lại một `tuple` trong đó phần tử đầu tiên là tensor mẫu. Phương thức forward của [HunyuanVideo15Transformer3DModel](/docs/diffusers/main/vi/api/models/hunyuan_video15_transformer_3d#diffusers.HunyuanVideo15Transformer3DModel). ## 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) ``` [Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21) **Tham số:** sample (`torch.Tensor` có shape `(batch_size, num_channels, height, width)` hoặc `(batch size, num_vector_embeds - 1, num_latent_pixels)` nếu [Transformer2DModel](/docs/diffusers/main/vi/api/models/transformer2d#diffusers.Transformer2DModel) là discrete) : Đầu ra của hidden states được điều kiện bởi đầu vào `encoder_hidden_states`. Nếu là discrete, trả về các phân phối xác suất cho các latent pixels chưa bị nhiễu. Đầu ra của [Transformer2DModel](/docs/diffusers/main/vi/api/models/transformer2d#diffusers.Transformer2DModel).