# WanAnimateTransformer3DModel

تم تقديم نموذج [Wan Animate](https://github.com/Wan-Video/Wan2.2) لنموذج Diffusion Transformer للبيانات المشابهة للفيديو ثلاثي الأبعاد من قبل فريق Alibaba Wan.

يمكن تحميل النموذج باستخدام مقتطف الشيفرة التالي.

```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 = (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)
```

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

**المعاملات:**

patch_size (`tuple[int]`، القيمة الافتراضية `(1, 2, 2)`) : أبعاد الباتش ثلاثية الأبعاد لتضمين الفيديو (t_patch, h_patch, w_patch).

num_attention_heads (`int`، القيمة الافتراضية `40`) : طول ثابت لتضمينات النص.

attention_head_dim (`int`، القيمة الافتراضية `128`) : عدد القنوات في كل رأس.

in_channels (`int`، القيمة الافتراضية `16`) : عدد القنوات في المدخلات.

out_channels (`int`، القيمة الافتراضية `16`) : عدد القنوات في المخرجات.

text_dim (`int`، القيمة الافتراضية `512`) : بُعد الإدخال لتضمينات النص.

freq_dim (`int`، القيمة الافتراضية `256`) : الأبعاد الخاصة بالتضمينات الزمنية الجيبية.

ffn_dim (`int`، القيمة الافتراضية `13824`) : البُعد الوسيط في الشبكة الأمامية (feed-forward).

num_layers (`int`، القيمة الافتراضية `40`) : عدد طبقات كتل التحويل (transformer blocks) المستخدمة.

window_size (`tuple[int]`، القيمة الافتراضية `(-1, -1)`) : حجم النافذة للانتباه المحلي (القيمة -1 تشير إلى الانتباه العام).

cross_attn_norm (`bool`، القيمة الافتراضية `True`) : تفعيل تطبيع الانتباه المتقاطع.

qk_norm (`bool`، القيمة الافتراضية `True`) : تفعيل تطبيع الاستعلام/المفتاح.

eps (`float`، القيمة الافتراضية `1e-6`) : قيمة إبسيلون لطبقات التطبيع.

image_dim (`int`، *اختياري*، القيمة الافتراضية `1280`) : عدد القنوات المستخدمة لتضمين الصورة. إذا كانت `None`، فلن يتم استخدام الإسقاط.

added_kv_proj_dim (`int`، *اختياري*، القيمة الافتراضية `5120`) : عدد القنوات المستخدمة في إسقاطات المفتاح والقيمة المضافة. إذا كانت `None`، فلن يتم استخدام أي إسقاط.

نموذج Transformer لبيانات تشبه الفيديو يُستخدم في نموذج 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)
```

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

**المعاملات:**

hidden_states (`torch.Tensor` من الشكل `(B, 2C + 4, T + 1, H, W)`) : مدخلات كامنات فيديو ضجيجية من الشكل `(B, 2C + 4, T + 1, H, W)`، حيث B هو حجم الدفعة، وC هو عدد قنوات الكامن (16 في Wan VAE)، وT هو عدد إطارات الكامن في مقطع الاستدلال، وH هو ارتفاع الكامن، وW هو عرض الكامن.

timestep : (`torch.LongTensor`): الخطوة الزمنية الحالية في حلقة إزالة الضوضاء.

encoder_hidden_states (`torch.Tensor`) : تمثيلات نصية من مُشفِّر النص (umT5 في Wan Animate).

encoder_hidden_states_image (`torch.Tensor`) : ميزات CLIP البصرية للصورة المرجعية (الشخصية).

pose_hidden_states (`torch.Tensor` من الشكل `(B, C, T, H, W)`) : متغيرات الكامنة لفيديو الوضعية. ملاحظة: الوصف

face_pixel_values (`torch.Tensor` من الشكل `(B, C', S, H', W')`) : فيديو الوجه في فضاء البكسلات (وليس في الفضاء الكامن). عادةً ما يكون C' = 3، وتكون H' و W' هما الارتفاع/العرض لفيديو الوجه بالبكسلات. هنا يمثل S طول المقطع أثناء الاستدلال، ويُضبط عادةً على 77.

motion_encode_batch_size (`int`, *اختياري*) : حجم الدفعة (batch size) لتشفير الفيديو الوجهي على دفعات عبر مشفّح الحركة. سيُستخدم `self.config.motion_encoder_batch_size` افتراضيًا إذا لم يتم تعيينه.

return_dict (`bool`، *اختياري*، الافتراضي `True`) : ما إذا كان يجب إرجاع المخرجات كقاموس أو كسلسلة.

attention_kwargs (`dict`، *اختياري*) : قاموس kwargs يُمرَّر إلى `AttentionProcessor` إذا تم تحديده، كما هو معرَّف تحت `self.processor` في [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**يعيد:** `~models.transformer_2d.Transformer2DModelOutput` أو `tuple`

إذا كان `return_dict` صحيحًا، يُعاد `~models.transformer_2d.Transformer2DModelOutput` يكون `sample` فيه هو الكامنة المُزالة الضوضاء للفيديو، وإلا يُعاد `tuple` بسيط يكون عنصره الأول هو ذلك الموتر.

مرور أمامي لنموذج تحويلي 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)
```

[المصدر](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/modeling_outputs.py#L21)

**المعاملات:**

sample (`torch.Tensor` من الشكل `(batch_size, num_channels, height, width)` أو `(batch size, num_vector_embeds - 1, num_latent_pixels)` إذا كان [Transformer2DModel](/docs/diffusers/main/ar/api/models/transformer2d#diffusers.Transformer2DModel) منفصلاً): مخرجات الحالات المخفية المشروطة على مدخل `encoder_hidden_states`. إذا كان منفصلاً، يعيد توزيعات الاحتمال للبكسلات الكامنة غير الملوثة.

مخرجات [Transformer2DModel](/docs/diffusers/main/ar/api/models/transformer2d#diffusers.Transformer2DModel).