# PAN2Transformer3DModel

PAN 2'nin difüzyon dönüştürücüsü. Video ve metin belirteçleri üzerinde ortak dikkat (joint attention) çalıştırır; her akış için ayrı projeksiyonlar ve ileri beslemeli ağlar kullanır.

Video girişi, gürültülü latentleri, koşullandırma latentlerini ve tek kanallı koşullandırma maskesini yığar; böylece aynı model hem metinden videoya hem de görüntüden videoya üretim için kullanılır.

```python
import torch
from diffusers import PAN2Transformer3DModel

transformer = PAN2Transformer3DModel.from_pretrained("IFM/PAN2", subfolder="transformer", dtype=torch.bfloat16)
```

## PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

#### diffusers.PAN2Transformer3DModel[[diffusers.PAN2Transformer3DModel]]

```python
diffusers.PAN2Transformer3DModel(patch_size: tuple[int, int, int] = (1, 2, 2), in_channels: int = 97, out_channels: int = 48, num_attention_heads: int = 32, attention_head_dim: int = 128, num_layers: int = 44, num_refiner_layers: int = 4, mlp_ratio: float = 8.0, context_mlp_ratio: float = 4.0, refiner_mlp_ratio: float = 4.0, text_embed_dim: int = 4096, rope_axes_dim: tuple[int, int, int] = (16, 56, 56), rope_theta: float = 256.0, rope_temporal_scale: float = 0.6666666666666666)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_pan2.py#L325)

**Parametreler:**

patch_size (`tuple[int, int, int]`, varsayılan `(1, 2, 2)`) : Yama gömme (patch embedding) için `(t, h, w)` yama boyutu.

in_channels (`int`, varsayılan `97`) : Girdi kanal sayısı: gürültülü latentler, koşullandırma latentleri ve bir koşullandırma maskesi kanalı.

out_channels (`int`, varsayılan `48`) : Çıkış kanal sayısı.

num_attention_heads (`int`, varsayılan `32`) : Dikkat başlarının sayısı.

attention_head_dim (`int`, varsayılan `128`) : Her dikkat başlığındaki kanal sayısı.

num_layers (`int`, varsayılan `44`) : Ortak dikkat bloklarının sayısı.

num_refiner_layers (`int`, varsayılan `4`) : Metin gömlemelerine uygulanan token iyileştirme bloklarının sayısı.

mlp_ratio (`float`, varsayılan `8.0`) : Video feed-forward iç boyutunun gizli boyuta oranı.

context_mlp_ratio (`float`, varsayılan `4.0`) : Metin besleyici ileri iç boyutunun gizli boyuta oranı.

refiner_mlp_ratio (`float`, varsayılan `4.0`) : Token refiner besleme-ileri iç boyutunun gizli boyuta oranı.

text_embed_dim (`int`, varsayılan `4096`) : Metin kodlayıcısı gizli durumlarının boyutu.

rope_axes_dim (`tuple[int, int, int]`, varsayılan `(16, 56, 56)`) : Döner gömmede her `(t, h, w)` eksenindeki kanal sayısı.

rope_theta (`float`, varsayılan `256.0`) : Döner gömme tabanı.

rope_temporal_scale (`float`, varsayılan `16 / 24`) : Rotary gömme kare konumlarının çarpıldığı katsayı: rotary gömmenin referans kare hızının videoların kare hızına oranı (fps cinsinden).

PAN 2'nin difüzyon dönüştürücüsü.

Yamalanmış video latentleri ile rafine edilmiş metin tokenlerinin birleştirilmesi üzerinde ortak dikkat (joint-attention) bloklarının yığını. Video girdisi, kanal ekseni boyunca yığılmış gürültülü latentleri, koşullandırma latentlerini ve bir koşullandırma maskesini taşır; böylece aynı model hem metinden videoya hem de görüntüden videoya üretim için kullanılır.

#### forward[[diffusers.PAN2Transformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, encoder_hidden_states: Tensor, attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_pan2.py#L438)

**Parametreler:**

hidden_states (`torch.Tensor`, şekli `(batch_size, in_channels, num_frames, height, width)`) : Gürültülü latentler, koşullandırma latentleri ve koşullandırma maskesi, kanallar boyunca birleştirilmiş hali.

timestep (`torch.Tensor`, şekli `(batch_size,)`) : `[0, 1000]` aralığındaki gürültü azaltma zaman adımı.

encoder_hidden_states (`torch.Tensor`, şekli `(batch_size, text_seq_len, text_embed_dim)`) : Metin kodlayıcısı gizli durumları.

attention_kwargs (`dict`, *isteğe bağlı*) : `AttentionProcessor`'a iletilen bir kwargs sözlüğü; yalnızca LoRA ölçeği için kullanılır.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine [Transformer2DModelOutput](/docs/diffusers/v0.43.0/tr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) döndürülecek mi?

**Dönüş:** [Transformer2DModelOutput](/docs/diffusers/v0.43.0/tr/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) veya `tuple`

`(batch_size, out_channels, num_frames, height, width)` biçimindeki tahmini hız.

[PAN2Transformer3DModel](/docs/diffusers/v0.43.0/tr/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel) ileri yöntemi.