# MotifVideoTransformer3DModel

Một mô hình Diffusion Transformer cho dữ liệu dạng video 3D đã được giới thiệu trong Motif-Video bởi nhóm Motif Technologies Team.

Mô hình sử dụng kiến trúc ba giai đoạn với 12 lớp giải mã dual-stream + 16 lớp single-stream + 8 lớp giải mã DDT và nhúng vị trí quay (RoPE) cho việc tạo video.

Mô hình có thể được tải bằng đoạn mã sau.

```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)
```

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

**Tham số:**

in_channels (`int`, mặc định là `33`) : Số 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_single_layers (`int`, mặc định là `40`) : Số lượng lớp của các khối single-stream cần sử dụng.

num_decoder_layers (`int`, mặc định là `0`) : Số lượng lớp giải mã trong các khối đơn luồng.

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 được sử dụng trong lớp nhúng patch.

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.

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.

image_embed_dim (`int`, *optional*) : Kích thước chiều đầu vào của các embedding ảnh từ bộ mã hóa thị giác. Nếu được cung cấp, sẽ kích hoạt điều kiện hóa ảnh.

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 mô hình Motif-Video.

#### 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)
```

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

**Tham số:**

hidden_states (`torch.Tensor`) : Tensor ẩn đầu vào có hình dạng `(batch_size, channels, num_frames, height, width)`.

timestep (`torch.LongTensor`) : Các bước thời gian (timesteps) của quá trình khuếch tán, có hình dạng `(batch_size,)`.

encoder_hidden_states (`torch.Tensor`) : Điều kiện văn bản có hình dạng `(batch_size, sequence_length, embed_dim)`.

encoder_attention_mask (`torch.Tensor`) : Mặt nạ cho điều kiện văn bản có hình dạng `(batch_size, sequence_length)`.

image_embeds (`torch.Tensor`, *tùy chọn*) : Nhúng hình ảnh từ bộ mã hóa thị giác có hình dạng `(batch_size, num_tokens, embed_dim)`.

attention_kwargs (`dict`, *tùy chọn*) : Các đối số bổ sung cho bộ xử lý chú ý.

return_dict (`bool`, mặc định là `True`) : Có nên trả về một [Transformer2DModelOutput](/docs/diffusers/main/vi/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) hay không.

**Trả về:** [Transformer2DModelOutput](/docs/diffusers/main/vi/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) hoặc `tuple`

Các mẫu được dự đoán.

Quá trình truyền thẳng của MotifVideoTransformer3DModel.

## 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).