# WanAnimateTransformer3DModel

Um modelo Diffusion Transformer para dados de vídeo 3D foi introduzido em [Wan Animate](https://github.com/Wan-Video/Wan2.2) pela equipe Wan da Alibaba.

O modelo pode ser carregado com o seguinte trecho de código.

```python
from diffusers import WanAnimateTransformer3DModel

transformer = WanAnimateTransformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

#### diffusers.WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

```python
diffusers.WanAnimateTransformer3DModel(patch_size: tuple[int] = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int | None = 36, latent_channels: int | None = 16, out_channels: int | None = 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 = 1280, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None, motion_encoder_channel_sizes: dict[str, int] | None = None, motion_encoder_size: int = 512, motion_style_dim: int = 512, motion_dim: int = 20, motion_encoder_dim: int = 512, face_encoder_hidden_dim: int = 1024, face_encoder_num_heads: int = 4, inject_face_latents_blocks: int = 5, motion_encoder_batch_size: int = 8)
```

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_wan_animate.py#L986)

**Parâmetros:**

patch_size (`tuple[int]`, padrão `(1, 2, 2)`) : dimensões do patch 3D para incorporação de vídeo (t_patch, h_patch, w_patch).

num_attention_heads (`int`, padrão `40`) : Comprimento fixo para incorporações de texto.

attention_head_dim (`int`, padrão `128`) : O número de canais em cada head.

in_channels (`int`, padrão `16`) : O número de canais na entrada.

out_channels (`int`, padrão `16`) : O número de canais na saída.

text_dim (`int`, padrão `512`) : Dimensão de entrada para embeddings de texto.

freq_dim (`int`, padrão `256`) : Dimensão para embeddings de tempo sinusoidais.

ffn_dim (`int`, padrão `13824`) : Dimensão intermediária na rede feed-forward.

num_layers (`int`, padrão `40`) : O número de blocos de transformador a serem usados.

window_size (`tuple[int]`, padrão `(-1, -1)`) : Tamanho da janela para atenção local (-1 indica atenção global).

cross_attn_norm (`bool`, padrão `True`) : Ativa a normalização de atenção cruzada.

qk_norm (`bool`, padrão `True`) : Ativa a normalização de query/key.

eps (`float`, padrão `1e-6`) : Valor de epsilon para as camadas de normalização.

image_dim (`int`, *opcional*, padrão `1280`) : O número de canais a serem usados para o embedding da imagem. Se `None`, nenhuma projeção é usada.

added_kv_proj_dim (`int`, *opcional*, padrão `5120`) : O número de canais a serem usados para as projeções de chave e valor adicionadas. Se `None`, nenhuma projeção é usada.

Um modelo Transformer para dados semelhantes a vídeo usado no modelo WanAnimate.

#### forward[[diffusers.WanAnimateTransformer3DModel.forward]]

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

[Fonte](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_wan_animate.py#L1154)

**Parâmetros:**

hidden_states (`torch.Tensor` de forma `(B, 2C + 4, T + 1, H, W)`) : Latentes de vídeo ruidosos de entrada com forma `(B, 2C + 4, T + 1, H, W)`, onde B é o tamanho do lote, C é o número de canais latentes (16 para o Wan VAE), T é o número de quadros latentes em um segmento de inferência, H é a altura latente e W é a largura latente.

timestep : (`torch.LongTensor`): O passo atual no loop de desruidamento.

encoder_hidden_states (`torch.Tensor`) : Embebimentos de texto do codificador de texto (umT5 para Wan Animate).

encoder_hidden_states_image (`torch.Tensor`) : recursos visuais do CLIP da imagem de referência (personagem).

pose_hidden_states (`torch.Tensor` de forma `(B, C, T, H, W)`) : Latentes de vídeo de pose. TODO: descrição

face_pixel_values (`torch.Tensor` de forma `(B, C', S, H', W')`) : Vídeo facial no espaço de pixels (não no espaço latente). Tipicamente, C' = 3 e H' e W' são a altura/largura do vídeo facial em pixels. Aqui, S é o comprimento do segmento de inferência, geralmente definido como 77.

motion_encode_batch_size (`int`, *opcional*) : O tamanho do lote para a codificação em lote do vídeo facial por meio do codificador de movimento. Se não for definido, o valor padrão será `self.config.motion_encoder_batch_size`.

return_dict (`bool`, *opcional*, padrão `True`) : Se deve retornar a saída como um dicionário ou uma tupla.

attention_kwargs (`dict`, *opcional*) : Um dicionário de kwargs que, se especificado, é passado para o `AttentionProcessor` conforme definido em `self.processor` em [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Retorna:** `~models.transformer_2d.Transformer2DModelOutput` ou `tuple`

Se `return_dict` for True, um `~models.transformer_2d.Transformer2DModelOutput` cujo `sample` é o latente do vídeo dessoneado é retornado; caso contrário, uma `tuple` simples cujo primeiro elemento é esse tensor é retornada.

Passada para frente do modelo transformer Wan2.2-Animate.

## 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)
```

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

**Parâmetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` se [Transformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/transformer2d#diffusers.Transformer2DModel) for discreto) : A saída dos estados ocultos condicionada à entrada `encoder_hidden_states`. Se discreto, retorna distribuições de probabilidade para os pixels latentes sem ruído.

A saída de [Transformer2DModel](/docs/diffusers/v0.43.0/pt/api/models/transformer2d#diffusers.Transformer2DModel).