# MotifVideoTransformer3DModel

Un modèle Diffusion Transformer pour des données vidéo 3D a été introduit dans Motif-Video par l'équipe Motif Technologies.

Le modèle utilise une architecture en trois étapes avec 12 couches décodeur à double flux + 16 couches à flux unique + 8 couches décodeur DDT et des embeddings positionnels rotatifs (RoPE) pour la génération de vidéos.

Le modèle peut être chargé à l'aide du fragment de code suivant.

```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)
```

[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_motif_video.py#L730)

**Paramètres :**

in_channels (`int`, par défaut `33`) : Le nombre de canaux dans l'entrée.

out_channels (`int`, par défaut `16`) : Le nombre de canaux dans la sortie.

num_attention_heads (`int`, par défaut `24`) : Le nombre de têtes à utiliser pour l'attention multi-têtes.

attention_head_dim (`int`, par défaut `128`) : Le nombre de canaux dans chaque tête.

num_layers (`int`, par défaut `20`) : Le nombre de blocs dual-stream à utiliser.

num_single_layers (`int`, par défaut `40`) : Le nombre de blocs single-stream à utiliser.

num_decoder_layers (`int`, par défaut `0`) : Le nombre de couches de décodeur dans les blocs à flux unique.

mlp_ratio (`float`, par défaut `4.0`) : Le ratio de la taille de la couche cachée par rapport à la taille de l'entrée dans le réseau feedforward.

patch_size (`int`, par défaut `2`) : La taille des patches spatiaux à utiliser dans la couche d'encodage de patches.

patch_size_t (`int`, par défaut `1`) : La taille des patches temporels à utiliser dans la couche d'encodage des patches.

qk_norm (`str`, par défaut `rms_norm`) : La normalisation à utiliser pour les projections de requête et de clé dans les couches d'attention.

text_embed_dim (`int`, par défaut `4096`) : Dimension d'entrée des embeddings de texte issus de l'encodeur de texte.

image_embed_dim (`int`, *facultatif*) : Dimension d'entrée des embeddings d'image provenant d'un encodeur visuel. Si fournie, active le conditionnement par image.

rope_theta (`float`, par défaut `256.0`) : La valeur de theta à utiliser dans la couche RoPE.

rope_axes_dim (`Tuple[int]`, par défaut `(16, 56, 56)`) : Les dimensions des axes à utiliser dans la couche RoPE.

Un modèle Transformer pour des données de type vidéo utilisé dans le modèle 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)
```

[Source](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_motif_video.py#L888)

**Paramètres :**

hidden_states (`torch.Tensor`) : Tenseur latent d'entrée de forme `(batch_size, channels, num_frames, height, width)`.

timestep (`torch.LongTensor`) : Étapes de diffusion de forme `(batch_size,)`.

encoder_hidden_states (`torch.Tensor`) : Conditionnement textuel de forme `(batch_size, sequence_length, embed_dim)`.

encoder_attention_mask (`torch.Tensor`) : Masque pour le conditionnement du texte de forme `(batch_size, sequence_length)`.

image_embeds (`torch.Tensor`, *facultatif*) : Incrustations d'images issues de l'encodeur visuel, de forme `(batch_size, num_tokens, embed_dim)`.

attention_kwargs (`dict`, *facultatif*) : Arguments supplémentaires pour les processeurs d'attention.

return_dict (`bool`, par défaut `True`) : Indique s'il faut retourner un [Transformer2DModelOutput](/docs/diffusers/v0.43.0/fr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput).

**Retourne :** [Transformer2DModelOutput](/docs/diffusers/v0.43.0/fr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) ou `tuple`

Les échantillons prédits.

Passage avant du 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)
```

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

**Paramètres :**

sample (`torch.Tensor` de forme `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/v0.43.0/fr/api/models/transformer2d#diffusers.Transformer2DModel) est discret) : Les états cachés en sortie, conditionnés par l'entrée `encoder_hidden_states`. Si discret, renvoie les distributions de probabilité pour les pixels latents non bruités.

La sortie de [Transformer2DModel](/docs/diffusers/v0.43.0/fr/api/models/transformer2d#diffusers.Transformer2DModel).