# MotifVideoTransformer3DModel

Motif Technologies Team による Motif-Video で、3D ビデオ類似データ向けの Diffusion Transformer モデルが紹介されました。

このモデルは、動画生成のために、12層のデュアルストリーム + 16層のシングルストリーム + 8層のDDTデコーダー層からなる3段階アーキテクチャと、回転位置埋め込み（RoPE）を使用しています。

モデルは、以下のコードスニペットで読み込むことができます。

```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)
```

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

**パラメータ:**

in_channels (`int`、デフォルトは`33`) : 入力におけるチャネル数。

out_channels (`int`、デフォルトは`16`) : 出力のチャネル数。

num_attention_heads (`int`、デフォルトは`24`) : マルチヘッドアテンションに使用するヘッド数。

attention_head_dim (`int`、デフォルトは`128`) : 各ヘッドのチャネル数。

num_layers (`int`、デフォルトは`20`) : 使用するdual-streamブロックの層数。

num_single_layers (`int`、デフォルトは`40`) : 使用する単一ストリームブロックの層数。

num_decoder_layers (`int`、デフォルトは`0`) : シングルストリームブロック内のデコーダー層の数。

mlp_ratio (`float`、デフォルトは`4.0`) : フィードフォワードネットワークにおける、隠れ層サイズと入力サイズの比率。

patch_size (`int`、デフォルトは`2`) : パッチ埋め込み層で使用する空間パッチのサイズ。

patch_size_t (`int`、デフォルトは`1`) : パッチ埋め込み層で使用する時間パッチのサイズ。

qk_norm (`str`、デフォルトは `rms_norm`) : attention レイヤーのクエリおよびキーの射影に使用する正規化。

text_embed_dim (`int`、デフォルトは`4096`) : テキストエンコーダーからのテキスト埋め込みの入力次元数。

image_embed_dim (`int`, *optional*) : ビジョンエンコーダーからの画像埋め込みの入力次元。指定すると、画像条件付けが有効になります。

rope_theta (`float`、デフォルトは`256.0`) : RoPE層で使用するthetaの値。

rope_axes_dim (`Tuple[int]`、デフォルトは`(16, 56, 56)`) : RoPE層で使用する軸の次元。

Motif-Videoモデルで使用される、動画のようなデータ向けのTransformerモデル。

#### 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)
```

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

**パラメータ:**

hidden_states (`torch.Tensor`) : 形状が `(batch_size, channels, num_frames, height, width)` の入力潜在テンソル。

timestep (`torch.LongTensor`) : 形状が `(batch_size,)` の Diffusion のタイムステップ。

encoder_hidden_states (`torch.Tensor`) : 形状が `(batch_size, sequence_length, embed_dim)` のテキスト条件付け。

encoder_attention_mask (`torch.Tensor`) : `(batch_size, sequence_length)` の形状を持つ、テキスト条件付け用のマスク。

image_embeds (`torch.Tensor`, *任意*) : ビジョンエンコーダーからの画像埋め込み。形状は `(batch_size, num_tokens, embed_dim)` です。

attention_kwargs (`dict`, *任意*) : attention プロセッサ用の追加引数。

return_dict (`bool`、デフォルトは`True`) : [Transformer2DModelOutput](/docs/diffusers/v0.43.0/ja/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput)を返すかどうか。

**戻り値:** [Transformer2DModelOutput](/docs/diffusers/v0.43.0/ja/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) または `tuple`

予測されたサンプル。

MotifVideoTransformer3DModelのフォワードパス。

## 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)
```

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

**パラメータ:**

sample (`torch.Tensor`、shape は `(batch_size, num_channels, height, width)`、または [Transformer2DModel](/docs/diffusers/v0.43.0/ja/api/models/transformer2d#diffusers.Transformer2DModel) が離散型の場合 `(batch size, num_vector_embeds - 1, num_latent_pixels)`) : `encoder_hidden_states` 入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。

[Transformer2DModel](/docs/diffusers/v0.43.0/ja/api/models/transformer2d#diffusers.Transformer2DModel)の出力です。