# MotifVideoTransformer3DModel

Motif Technologies 团队在 Motif-Video 中提出了一种用于 3D 类视频数据的 Diffusion Transformer 模型。

该模型采用三阶段架构，包含 12 层双流 + 16 层单流 + 8 层 DDT 解码器层，并使用旋转位置编码（RoPE）进行视频生成。

可以使用以下代码片段加载该模型。

```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)
```

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

**参数：**

in_channels (`int`，默认为 `33`)：输入中的通道数。

out_channels (`int`，默认为 `16`)：输出的通道数。

num_attention_heads (`int`，默认为 `24`)：用于多头注意力的注意力头数量。

attention_head_dim (`int`，默认为 `128`)：每个头中的通道数。

num_layers (`int`，默认为 `20`)：要使用的双流块层数。

num_single_layers (`int`，默认为 `40`)：要使用的单流块层数。

num_decoder_layers (`int`，默认为 `0`)：单流块中解码器层的数量。

mlp_ratio (`float`，默认为 `4.0`)：前馈网络中隐藏层大小与输入大小的比率。

patch_size (`int`，默认为 `2`)：在 patch embedding 层中使用的空间 patch 的大小。

patch_size_t (`int`，默认为 `1`)：在 patch embedding 层中使用的时序 patch 的大小。

qk_norm (`str`，默认为 `rms_norm`)：注意力层中查询和键投影所使用的归一化方法。

text_embed_dim (`int`，默认为 `4096`)：文本编码器输出的文本嵌入的输入维度。

image_embed_dim (`int`, *optional*) : 来自视觉编码器的图像嵌入的输入维度。如果提供，则启用图像条件。

rope_theta (`float`，默认值为 `256.0`)：RoPE 层中使用的 theta 值。

rope_axes_dim (`Tuple[int]`，默认为 `(16, 56, 56)`)：RoPE 层中使用的轴维度。

用于 Motif-Video 模型的、处理类视频数据的 Transformer 模型。

#### 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)
```

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

**参数：**

hidden_states (`torch.Tensor`) : 输入潜在张量，形状为 `(batch_size, channels, num_frames, height, width)`。

timestep (`torch.LongTensor`) : 形状为 `(batch_size,)` 的扩散时间步。

encoder_hidden_states (`torch.Tensor`) : 形状为 `(batch_size, sequence_length, embed_dim)` 的文本条件。

encoder_attention_mask (`torch.Tensor`) : 用于文本条件化的掩码，形状为 `(batch_size, sequence_length)`。

image_embeds (`torch.Tensor`, *可选*) : 来自视觉编码器的图像嵌入，形状为 `(batch_size, num_tokens, embed_dim)`。

attention_kwargs (`dict`, *可选*) : 注意力处理器的额外参数。

return_dict (`bool`，默认为 `True`)：是否返回 [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput)。

**返回：** [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) 或 `tuple`

预测的样本。

MotifVideoTransformer3DModel 的前向传播。

## 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)
```

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

**参数：**

sample (`torch.Tensor`，形状为 `(batch_size, num_channels, height, width)`；若 [Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/transformer2d#diffusers.Transformer2DModel) 为离散模式，则为 `(batch size, num_vector_embeds - 1, num_latent_pixels)`)：以 `encoder_hidden_states` 输入为条件的隐藏状态输出。若为离散模式，则返回未加噪潜在像素的概率分布。

[Transformer2DModel](/docs/diffusers/v0.43.0/zh/api/models/transformer2d#diffusers.Transformer2DModel) 的输出。