# CosmosTransformer3DModel

تم تقديم نموذج Diffusion Transformer لبيانات تشبه الفيديو ثلاثي الأبعاد في [منصة Cosmos World Foundation Model Platform for Physical AI](https://huggingface.co/papers/2501.03575) من NVIDIA.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

```python
from diffusers import CosmosTransformer3DModel

transformer = CosmosTransformer3DModel.from_pretrained("nvidia/Cosmos-1.0-Diffusion-7B-Text2World", subfolder="transformer", dtype=torch.bfloat16)
```

## CosmosTransformer3DModel[[diffusers.CosmosTransformer3DModel]]

#### diffusers.CosmosTransformer3DModel[[diffusers.CosmosTransformer3DModel]]

```python
diffusers.CosmosTransformer3DModel(in_channels: int = 16, out_channels: int = 16, num_attention_heads: int = 32, attention_head_dim: int = 128, num_layers: int = 28, mlp_ratio: float = 4.0, text_embed_dim: int = 1024, adaln_lora_dim: int = 256, max_size: tuple[int, int, int] = (128, 240, 240), patch_size: tuple[int, int, int] = (1, 2, 2), rope_scale: tuple[float, float, float] = (2.0, 1.0, 1.0), concat_padding_mask: bool = True, extra_pos_embed_type: str | None = 'learnable', use_crossattn_projection: bool = False, crossattn_proj_in_channels: int = 1024, encoder_hidden_states_channels: int = 1024, controlnet_block_every_n: int | None = None, img_context_dim_in: int | None = None, img_context_num_tokens: int = 256, img_context_dim_out: int = 2048)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cosmos.py#L554)

**المعاملات:**

in_channels (`int`، القيمة الافتراضية `16`) : عدد القنوات في المدخلات.

out_channels (`int`، القيمة الافتراضية `16`) : عدد القنوات في المخرجات.

num_attention_heads (`int`، القيمة الافتراضية `32`) : عدد الرؤوس المستخدمة في الانتباه متعدد الرؤوس.

attention_head_dim (`int`، القيمة الافتراضية `128`) : عدد القنوات في كل رأس انتباه.

num_layers (`int`، القيمة الافتراضية `28`) : عدد طبقات كتل التحويل (transformer blocks) المستخدمة.

mlp_ratio (`float`، القيمة الافتراضية `4.0`) : نسبة حجم طبقة الخفاء إلى حجم الإدخال في الشبكة العصبية الأمامية.

text_embed_dim (`int`، القيمة الافتراضية `4096`) : بُعد الإدخال لتضمينات النص من مُشفِّر النص.

adaln_lora_dim (`int`، القيمة الافتراضية `256`) : البُعد المخفي لطبقة Adaptive LayerNorm LoRA.

max_size (`tuple[int, int, int]`، القيمة الافتراضية `(128, 240, 240)`) : الحد الأقصى لحجم تينسورات الكامنة المدخلة في الأبعاد الزمنية والارتفاع والعرض.

patch_size (`tuple[int, int, int]`، القيمة الافتراضية هي `(1, 2, 2)`) : حجم الباتش (patch size) المستخدم لتقطيع (patchifying) تينسورات الكامنة (latent tensors) المدخلة في الأبعاد الزمنية والارتفاعية والعرضية.

rope_scale (`tuple[float, float, float]`، القيمة الافتراضية `(2.0, 1.0, 1.0)`) : معامل التوسيع المستخدم في RoPE للأبعاد الزمنية والارتفاع والعرض.

concat_padding_mask (`bool`، القيمة الافتراضية `True`) : ما إذا كان يجب دمج قناع الحشو مع متجهات الكامنة المدخلة.

extra_pos_embed_type (`str`، *اختياري*، الافتراضي `learnable`) : نوع التضمينات الموضعية الإضافية المستخدمة. يمكن أن يكون `None` أو `learnable`.

controlnet_block_every_n (`int`, *اختياري*) : الفترة بين كتل التحويل التي يجب أن تستقبل بقايا التحكم (على سبيل المثال، `7` لحقنها بعد كل سابع كتلة). مطلوب لـ Cosmos Transfer2.5.

img_context_dim_in (`int`, *اختياري*) : بُعد متجه ميزات سياق الصورة المدخلة، أي إنه يمثل D في [B, N, D].

img_context_num_tokens (`int`) : عدد الرموز في متجه ميزات سياق الصورة، أي إنه يمثل N في [B, N, D]. إذا لم يُقدَّم `img_context_dim_in`، يتم تجاهل هذا المعامل.

img_context_dim_out (`int`) : بُعد المخرج لطبقة إسقاط سياق الصورة. إذا لم يُقدَّم `img_context_dim_in`، يتم تجاهل هذا المعامل.

نموذج Transformer لبيانات تشبه الفيديو يُستخدم في [Cosmos](https://github.com/NVIDIA/Cosmos).

#### forward[[diffusers.CosmosTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, block_controlnet_hidden_states: list[torch.Tensor] | None = None, attention_mask: typing.Optional[torch.Tensor] = None, fps: int | None = None, condition_mask: typing.Optional[torch.Tensor] = None, padding_mask: typing.Optional[torch.Tensor] = None, return_dict: bool = True)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_cosmos.py#L688)

**المعاملات:**

hidden_states (`torch.Tensor` من الشكل `(batch_size, num_channels, num_frames, height, width)`) : مدخلات `hidden_states`.

timestep (`torch.LongTensor`) : يُستخدم للإشارة إلى خطوة إزالة الضوضاء.

encoder_hidden_states (`torch.Tensor` من الشكل `(batch_size, sequence_len, embed_dims)`) : التضمينات الشرطية (التضمينات المحسوبة من الشروط المدخلة مثل الأوامر) للاستخدام.

block_controlnet_hidden_states (`list` من `torch.Tensor`، *اختياري*) : قائمة من الموترات التي إذا تم تحديدها تُضاف إلى بقايا كتل التحويل.

attention_mask (`torch.Tensor`، *اختياري*) : القناع المطبَّق على `encoder_hidden_states` أثناء الانتباه.

fps (`int`, *اختياري*) : عدد الإطارات في الثانية للفيديو المُدخل، ويُستخدم لحساب التضمينات الموضعية الدوارة.

condition_mask (`torch.Tensor`، *اختياري*) : قناة القناع المدمجة مع `hidden_states` للإشارة إلى منطقة التكييف.

padding_mask (`torch.Tensor`، *اختياري*) : قناع الحشو المُدمج مع `hidden_states` عند تفعيل `concat_padding_mask`.

return_dict (`bool`، *اختياري*، القيمة الافتراضية `True`) : ما إذا كان يجب إرجاع `~models.transformer_2d.Transformer2DModelOutput` بدلاً من tuple عادي.

**يعيد:**

إذا كان `return_dict` صحيحًا، يُعاد `~models.transformer_2d.Transformer2DModelOutput`، وإلا يُعاد `tuple` يكون عنصره الأول هو تينسور العينة.

طريقة [CosmosTransformer3DModel](/docs/diffusers/v0.43.0/ar/api/models/cosmos_transformer3d#diffusers.CosmosTransformer3DModel) الأمامية.

## 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)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/modeling_outputs.py#L21)

**المعاملات:**

sample (`torch.Tensor` من الشكل `(batch_size, num_channels, height, width)` أو `(batch size, num_vector_embeds - 1, num_latent_pixels)` إذا كان [Transformer2DModel](/docs/diffusers/v0.43.0/ar/api/models/transformer2d#diffusers.Transformer2DModel) منفصلاً): مخرجات الحالات المخفية المشروطة على مدخل `encoder_hidden_states`. إذا كان منفصلاً، يعيد توزيعات الاحتمال للبكسلات الكامنة غير الملوثة.

مخرجات [Transformer2DModel](/docs/diffusers/v0.43.0/ar/api/models/transformer2d#diffusers.Transformer2DModel).