# PAN2Transformer3DModel

PAN 2 的扩散 Transformer。它对视频 token 和文本 token 执行联合注意力，并为每个流使用独立的投影和前馈网络。

视频输入将噪声潜在变量、条件潜在变量和一个单通道条件掩码堆叠在一起，因此同一模型可同时服务于文本到视频和图像到视频任务。

```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)
```

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

**参数：**

patch_size (`tuple[int, int, int]`，默认为 `(1, 2, 2)`)：补丁嵌入的 `(t, h, w)` 补丁大小。

in_channels (`int`，默认为 `97`)：输入通道的数量：噪声潜在变量、条件潜在变量和一个条件掩码通道。

out_channels (`int`，默认为 `48`)：输出通道的数量。

num_attention_heads (`int`，默认为 `32`)：注意力头的数量。

attention_head_dim (`int`，默认为 `128`)：每个注意力头中的通道数。

num_layers (`int`，默认为 `44`)：联合注意力块的数量。

num_refiner_layers (`int`，默认为 `4`)：应用于文本嵌入的 token refiner 块的数量。

mlp_ratio (`float`，默认为 `8.0`)：视频前馈网络内部维度与隐藏维度的比率。

context_mlp_ratio (`float`，默认为 `4.0`)：文本前馈网络内部维度与隐藏维度之间的比率。

refiner_mlp_ratio (`float`，默认为 `4.0`)：token refiner 前馈内部维度与隐藏维度的比率。

text_embed_dim (`int`，默认为 `4096`)：文本编码器隐藏状态的维度。

rope_axes_dim (`tuple[int, int, int]`，默认为 `(16, 56, 56)`)：旋转嵌入中每个 `(t, h, w)` 轴的通道数。

rope_theta (`float`，默认为 `256.0`)：旋转嵌入的底数。

rope_temporal_scale (`float`，默认为 `16 / 24`)：旋转嵌入的帧位置所乘的系数：旋转嵌入的参考帧率与视频帧率之比（16 除以 24 fps）。

PAN 2 的扩散 Transformer。

在拼接后的分块视频潜在表示与精炼文本标记之上，堆叠的联合注意力块。视频输入沿通道轴堆叠了含噪潜在表示、条件潜在表示和条件掩码，因此同一模型可同时服务于文本到视频和图像到视频任务。

#### 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)
```

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

**参数：**

hidden_states (`torch.Tensor`，形状为 `(batch_size, in_channels, num_frames, height, width)`)：噪声潜在表示、条件潜在表示和条件掩码，沿通道维度拼接。

timestep (`torch.Tensor`，形状为 `(batch_size,)`)：位于 `[0, 1000]` 区间内的去噪时间步。

encoder_hidden_states (`torch.Tensor`，形状为 `(batch_size, text_seq_len, text_embed_dim)`)：文本编码器的隐藏状态。

attention_kwargs (`dict`, *可选*) : 传递给 `AttentionProcessor` 的 kwargs 字典；仅用于 LoRA 缩放。

return_dict (`bool`，*可选*，默认为 `True`)：是否返回 [Transformer2DModelOutput](/docs/diffusers/v0.43.0/zh/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) 而不是普通元组。

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

形状为 `(batch_size, out_channels, num_frames, height, width)` 的预测速度。

[PAN2Transformer3DModel](/docs/diffusers/v0.43.0/zh/api/models/pan2_transformer3d#diffusers.PAN2Transformer3DModel) 的前向方法。