# LTXVideoTransformer3DModel

Модель Diffusion Transformer для 3D-данных от [LTX](https://huggingface.co/Lightricks/LTX-Video) была представлена компанией Lightricks.

Модель можно загрузить с помощью следующего фрагмента кода.

```python
from diffusers import LTXVideoTransformer3DModel

transformer = LTXVideoTransformer3DModel.from_pretrained("Lightricks/LTX-Video", subfolder="transformer", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
```

## LTXVideoTransformer3DModel[[diffusers.LTXVideoTransformer3DModel]]

#### diffusers.LTXVideoTransformer3DModel[[diffusers.LTXVideoTransformer3DModel]]

```python
diffusers.LTXVideoTransformer3DModel(in_channels: int = 128, out_channels: int = 128, patch_size: int = 1, patch_size_t: int = 1, num_attention_heads: int = 32, attention_head_dim: int = 64, cross_attention_dim: int = 2048, num_layers: int = 28, activation_fn: str = 'gelu-approximate', qk_norm: str = 'rms_norm_across_heads', norm_elementwise_affine: bool = False, norm_eps: float = 1e-06, caption_channels: int = 4096, attention_bias: bool = True, attention_out_bias: bool = True)
```

[Источник](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ltx.py#L379)

**Параметры:**

in_channels (`int`, по умолчанию `128`) : количество каналов на входе.

out_channels (`int`, по умолчанию `128`) : Количество каналов на выходе.

patch_size (`int`, по умолчанию `1`) : Размер пространственных патчей, используемых в слое встраивания патчей.

patch_size_t (`int`, по умолчанию `1`) : Размер временных патчей, используемых в слое встраивания патчей.

num_attention_heads (`int`, по умолчанию `32`) : Количество головок для использования в механизме внимания с несколькими головками.

attention_head_dim (`int`, по умолчанию `64`) : Количество каналов в каждой голове.

cross_attention_dim (`int`, по умолчанию `2048 `) : Количество каналов для голов кросс-внимания.

num_layers (`int`, по умолчанию `28`) : Количество блоков Transformer, которые следует использовать.

activation_fn (`str`, по умолчанию `"gelu-approximate"`) : Функция активации, используемая в полносвязном слое.

qk_norm (`str`, по умолчанию `"rms_norm_across_heads"`) : Слой нормализации, который следует использовать.

Модель Transformer для видеоподобных данных, используемая в [LTX](https://huggingface.co/Lightricks/LTX-Video).

#### forward[[diffusers.LTXVideoTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: Tensor, timestep: LongTensor, encoder_attention_mask: Tensor, num_frames: int | None = None, height: int | None = None, width: int | None = None, rope_interpolation_scale: typing.Union[tuple[float, float, float], torch.Tensor, NoneType] = None, video_coords: typing.Optional[torch.Tensor] = None, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Источник](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_ltx.py#L488)

**Параметры:**

hidden_states (`torch.Tensor` формы `(batch_size, sequence_length, in_channels)`) : Входные `hidden_states`.

encoder_hidden_states (`torch.Tensor` формы `(batch_size, sequence_len, embed_dims)`) : Условные эмбеддинги (эмбеддинги, вычисленные на основе входных условий, таких как промпты), которые следует использовать.

timestep (`torch.LongTensor`) : Используется для указания шага денойзинга.

encoder_attention_mask (`torch.Tensor`) : Маска, применяемая к `encoder_hidden_states` во время внимания.

num_frames (`int`, *optional*) : Количество кадров в видео, используемых для вычисления вращательных позиционных эмбеддингов.

height (`int`, *optional*) : Высота латентного представления, используемого для вычисления ротационных позиционных эмбеддингов.

width (`int`, *optional*) : Ширина латента, используемого для вычисления ротационных позиционных эмбеддингов.

rope_interpolation_scale (`tuple` из `float` или `torch.Tensor`, *необязательный*) : Масштаб интерполяции, используемый вращательными позиционными эмбеддингами.

video_coords (`torch.Tensor`, *необязательный*) : Предварительно вычисленные координаты видео, используемые вращательными позиционными эмбеддингами.

attention_kwargs (`dict`, *необязательный*) : Словарь kwargs, который при указании передается в `AttentionProcessor`, определенный в `self.processor` в [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

return_dict (`bool`, *необязательный*, по умолчанию `True`) : Возвращать ли `~models.transformer_2d.Transformer2DModelOutput` вместо обычного кортежа.

**Возвращает:** `torch.Tensor`

Тензор выходных данных после шумоподавления формы `(batch_size, sequence_length, out_channels)`.

Метод forward модели [LTXVideoTransformer3DModel](/docs/diffusers/v0.43.0/ru/api/models/ltx_video_transformer3d#diffusers.LTXVideoTransformer3DModel).

## 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)
```

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

**Параметры:**

sample (`torch.Tensor` формы `(batch_size, num_channels, height, width)` или `(batch size, num_vector_embeds - 1, num_latent_pixels)`, если [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel) дискретный): выходные скрытые состояния, обусловленные входом `encoder_hidden_states`. Если модель дискретная, возвращает распределения вероятностей для ненашумленных латентных пикселей.

Вывод [Transformer2DModel](/docs/diffusers/v0.43.0/ru/api/models/transformer2d#diffusers.Transformer2DModel).