# WanTransformer3DModel

Model Diffusion Transformer untuk data video 3D diperkenalkan dalam [Wan 2.1](https://github.com/Wan-Video/Wan2.1) oleh Alibaba Wan Team.

Model dapat dimuat dengan potongan kode berikut.

```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)
```

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

**Parameter:**

patch_size (`tuple[int]`, defaultnya `(1, 2, 2)`) : dimensi patch 3D untuk embedding video (t_patch, h_patch, w_patch).

num_attention_heads (`int`, defaultnya `40`) : Panjang tetap untuk embedding teks.

attention_head_dim (`int`, defaultnya `128`) : Jumlah channel di setiap head.

in_channels (`int`, defaultnya `16`) : Jumlah channel pada input.

out_channels (`int`, defaultnya `16`) : Jumlah channel pada output.

text_dim (`int`, defaultnya `512`) : Dimensi input untuk embedding teks.

freq_dim (`int`, defaultnya `256`) : Dimensi untuk penanaman waktu sinusoidal.

ffn_dim (`int`, defaultnya `13824`) : Dimensi perantara dalam jaringan feed-forward.

num_layers (`int`, defaultnya `40`) : Jumlah lapisan blok transformer yang akan digunakan.

window_size (`tuple[int]`, defaultnya `(-1, -1)`) : Ukuran jendela untuk perhatian lokal (-1 menunjukkan perhatian global).

cross_attn_norm (`bool`, defaultnya `True`) : Aktifkan normalisasi cross-attention.

qk_norm (`bool`, defaultnya `True`) : Aktifkan normalisasi query/key.

eps (`float`, defaultnya `1e-6`) : Nilai epsilon untuk lapisan normalisasi.

add_img_emb (`bool`, defaultnya `False`) : Apakah akan menggunakan img_emb.

added_kv_proj_dim (`int`, *opsional*, defaultnya `None`) : Jumlah channel yang digunakan untuk proyeksi key dan value yang ditambahkan. Jika `None`, tidak ada proyeksi yang digunakan.

Model Transformer untuk data mirip video yang digunakan dalam model 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)
```

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

**Parameter:**

hidden_states (`torch.Tensor` dengan bentuk `(batch_size, num_channels, num_frames, height, width)`) : Input `hidden_states`.

timestep (`torch.LongTensor`) : Digunakan untuk menunjukkan langkah denoising.

encoder_hidden_states (`torch.Tensor` dengan bentuk `(batch_size, sequence_len, embed_dims)`) : Embedding kondisional (embedding yang dihitung dari kondisi input seperti prompt) yang akan digunakan.

encoder_hidden_states_image (`torch.Tensor`, *opsional*) : Embedding gambar kondisional untuk generasi yang dikondisikan oleh gambar.

return_dict (`bool`, *opsional*, defaultnya `True`) : Apakah akan mengembalikan `~models.transformer_2d.Transformer2DModelOutput` alih-alih tuple biasa.

attention_kwargs (`dict`, *opsional*) : Kamus kwargs yang jika ditentukan akan diteruskan ke `AttentionProcessor` seperti yang didefinisikan di bawah `self.processor` dalam [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Mengembalikan:**

Jika `return_dict` bernilai True, sebuah `~models.transformer_2d.Transformer2DModelOutput` akan dikembalikan, selain itu sebuah `tuple` di mana elemen pertama adalah tensor sampel.

Metode forward dari [WanTransformer3DModel](/docs/diffusers/v0.43.0/id/api/models/wan_transformer_3d#diffusers.WanTransformer3DModel).

## 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)
```

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

**Parameter:**

sample (`torch.Tensor` dengan bentuk `(batch_size, num_channels, height, width)` atau `(batch size, num_vector_embeds - 1, num_latent_pixels)` jika [Transformer2DModel](/docs/diffusers/v0.43.0/id/api/models/transformer2d#diffusers.Transformer2DModel) bersifat diskrit) : Output hidden states yang dikondisikan pada input `encoder_hidden_states`. Jika diskrit, mengembalikan distribusi probabilitas untuk piksel laten yang tidak berisik.

Output dari [Transformer2DModel](/docs/diffusers/v0.43.0/id/api/models/transformer2d#diffusers.Transformer2DModel).