# LTXVideoTransformer3DModel

Một mô hình Diffusion Transformer cho dữ liệu 3D từ [LTX](https://huggingface.co/Lightricks/LTX-Video) đã được giới thiệu bởi Lightricks.

Mô hình có thể được tải bằng đoạn mã sau.

```python
from diffusers import LTXVideoTransformer3DModel

transformer = LTXVideoTransformer3DModel.from_pretrained("Lightricks/LTX-Video", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## LTXVideoTransformer3DModel[[diffusers.LTXVideoTransformer3DModel]]

#### diffusers.LTXVideoTransformer3DModel[[diffusers.LTXVideoTransformer3DModel]]

```python
diffusers.LTXVideoTransformer3DModel(in_channels: int = 128, out_channels: int = 128, patch_size: int = 1, patch_size_t: int = 1, num_attention_heads: int = 32, attention_head_dim: int = 64, cross_attention_dim: int = 2048, num_layers: int = 28, activation_fn: str = 'gelu-approximate', qk_norm: str = 'rms_norm_across_heads', norm_elementwise_affine: bool = False, norm_eps: float = 1e-06, caption_channels: int = 4096, attention_bias: bool = True, attention_out_bias: bool = True)
```

[Nguồn](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_ltx.py#L379)

**Tham số:**

in_channels (`int`, mặc định là `128`) : Số lượng kênh trong đầu vào.

out_channels (`int`, mặc định là `128`) : Số lượng kênh trong đầu ra.

patch_size (`int`, mặc định là `1`) : 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).

num_attention_heads (`int`, mặc định là `32`) : Số lượng đầu (heads) được sử dụng cho chú ý đa đầu (multi-head attention).

attention_head_dim (`int`, mặc định là `64`) : Số lượng kênh trong mỗi head.

cross_attention_dim (`int`, mặc định là `2048 `) : Số kênh cho các đầu chú ý chéo (cross attention).

num_layers (`int`, mặc định là `28`) : Số lượng lớp khối Transformer cần sử dụng.

activation_fn (`str`, mặc định là `"gelu-approximate"`) : Hàm kích hoạt được sử dụng trong mạng truyền thẳng.

qk_norm (`str`, mặc định là `"rms_norm_across_heads"`) : Lớp chuẩn hóa cần sử dụng.

Một mô hình Transformer cho dữ liệu dạng video được sử dụng trong [LTX](https://huggingface.co/Lightricks/LTX-Video).

#### forward[[diffusers.LTXVideoTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, num_frames: int | None = None, height: int | None = None, width: int | None = None, rope_interpolation_scale: typing.Union[tuple[float, float, float], torch.Tensor, NoneType] = None, video_coords: 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_ltx.py#L488)

**Tham số:**

hidden_states (`torch.Tensor` có hình dạng `(batch_size, sequence_length, in_channels)`) : `hidden_states` đầu vào.

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.

timestep (`torch.LongTensor`) : Dùng để chỉ bước khử nhiễu.

encoder_attention_mask (`torch.Tensor`) : Mặt nạ được áp dụng cho `encoder_hidden_states` trong quá trình chú ý.

num_frames (`int`, *tuỳ chọn*) : Số khung hình trong video được sử dụng để tính các nhúng vị trí quay (rotary positional embeddings).

height (`int`, *optional*) : Chiều cao của latent được dùng để tính các nhúng vị trí quay (rotary positional embeddings).

width (`int`, *tuỳ chọn*) : Độ rộng của latent được dùng để tính các nhúng vị trí quay (rotary positional embeddings).

rope_interpolation_scale (`tuple` của `float` hoặc `torch.Tensor`, *tùy chọn*) : Thang nội suy được sử dụng bởi các nhúng vị trí quay (rotary positional embeddings).

video_coords (`torch.Tensor`, *tùy chọn*) : Tọa độ video đã tính trước được sử dụng bởi các nhúng vị trí quay (rotary positional embeddings).

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:** `torch.Tensor`

Tensor đầu ra đã khử nhiễu có hình dạng `(batch_size, sequence_length, out_channels)`.

Phương thức forward của [LTXVideoTransformer3DModel](/docs/diffusers/main/vi/api/models/ltx_video_transformer3d#diffusers.LTXVideoTransformer3DModel).

## 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).