# WanTransformer3DModel

تم تقديم نموذج [Wan 2.1](https://github.com/Wan-Video/Wan2.1) من فريق Wan في Alibaba، وهو نموذج Diffusion Transformer مخصص للبيانات المشابهة للفيديو ثلاثي الأبعاد.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

```python
from diffusers import WanTransformer3DModel

transformer = WanTransformer3DModel.from_pretrained("Wan-AI/Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

#### diffusers.WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

```python
diffusers.WanTransformer3DModel(patch_size: tuple[int, ...] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 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 = None, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None)
```

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_wan.py#L507)

**المعاملات:**

patch_size (`tuple[int]`، القيمة الافتراضية `(1, 2, 2)`) : أبعاد الباتش ثلاثية الأبعاد لتضمين الفيديو (t_patch, h_patch, w_patch).

num_attention_heads (`int`، القيمة الافتراضية `40`) : طول ثابت لتضمينات النص.

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

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

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

text_dim (`int`، القيمة الافتراضية `512`) : بُعد الإدخال لتضمينات النص.

freq_dim (`int`، القيمة الافتراضية `256`) : الأبعاد الخاصة بالتضمينات الزمنية الجيبية.

ffn_dim (`int`، القيمة الافتراضية `13824`) : البُعد الوسيط في الشبكة الأمامية (feed-forward).

num_layers (`int`، القيمة الافتراضية `40`) : عدد طبقات كتل التحويل (transformer blocks) المستخدمة.

window_size (`tuple[int]`، القيمة الافتراضية `(-1, -1)`) : حجم النافذة للانتباه المحلي (القيمة -1 تشير إلى الانتباه العام).

cross_attn_norm (`bool`، القيمة الافتراضية `True`) : تفعيل تطبيع الانتباه المتقاطع.

qk_norm (`bool`، القيمة الافتراضية `True`) : تفعيل تطبيع الاستعلام/المفتاح.

eps (`float`، القيمة الافتراضية `1e-6`) : قيمة إبسيلون لطبقات التطبيع.

add_img_emb (`bool`، القيمة الافتراضية `False`) : ما إذا كان سيتم استخدام img_emb.

added_kv_proj_dim (`int`، *اختياري*، القيمة الافتراضية `None`) : عدد القنوات المستخدمة في الإسقاطات المضافة للمفتاح والقيمة. إذا كانت `None`، فلا يُستخدم أي إسقاط.

نموذج Transformer لبيانات تشبه الفيديو يُستخدم في نموذج Wan.

#### forward[[diffusers.WanTransformer3DModel.forward]]

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

[المصدر](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_wan.py#L628)

**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.

encoder_hidden_states_image (`torch.Tensor`، *اختياري*) : تضمينات الصور الشرطية لتوليد مشروط بالصور.

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

attention_kwargs (`dict`، *اختياري*) : قاموس kwargs يُمرَّر إلى `AttentionProcessor` إذا تم تحديده، كما هو معرَّف تحت `self.processor` في [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**يعيد:**

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

طريقة [WanTransformer3DModel](/docs/diffusers/v0.43.0/ar/api/models/wan_transformer_3d#diffusers.WanTransformer3DModel) 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).