# WanTransformer3DModel

Un modelo Diffusion Transformer para datos de video 3D fue introducido en [Wan 2.1](https://github.com/Wan-Video/Wan2.1) por el equipo Alibaba Wan.

El modelo se puede cargar con el siguiente fragmento de código.

```python
from diffusers import WanTransformer3DModel

transformer = WanTransformer3DModel.from_pretrained("Wan-AI/Wan2.1-T2V-1.3B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

#### diffusers.WanTransformer3DModel[[diffusers.WanTransformer3DModel]]

```python
diffusers.WanTransformer3DModel(patch_size: tuple = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int = 16, out_channels: int = 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 = None, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan.py#L507)

**Parámetros:**

patch_size (`tuple[int]`, por defecto `(1, 2, 2)`) : dimensiones de parche 3D para la incrustación de video (t_patch, h_patch, w_patch).

num_attention_heads (`int`, por defecto `40`) : Longitud fija para las incorporaciones de texto.

attention_head_dim (`int`, por defecto `128`) : El número de canales en cada cabeza.

in_channels (`int`, por defecto `16`) : El número de canales en la entrada.

out_channels (`int`, por defecto `16`) : El número de canales en la salida.

text_dim (`int`, por defecto `512`) : Dimensión de entrada para las incrustaciones de texto.

freq_dim (`int`, por defecto `256`) : Dimensión para las incrustaciones sinusoidales de tiempo.

ffn_dim (`int`, por defecto `13824`) : Dimensión intermedia en la red feed-forward.

num_layers (`int`, por defecto `40`) : El número de capas de bloques de transformador a utilizar.

window_size (`tuple[int]`, por defecto `(-1, -1)`) : Tamaño de la ventana para la atención local (-1 indica atención global).

cross_attn_norm (`bool`, por defecto `True`) : Habilita la normalización de atención cruzada.

qk_norm (`bool`, por defecto `True`) : Habilita la normalización de consulta/clave.

eps (`float`, por defecto `1e-6`) : Valor de epsilon para las capas de normalización.

add_img_emb (`bool`, por defecto `False`) : Si se debe usar img_emb.

added_kv_proj_dim (`int`, *opcional*, valor predeterminado `None`) : El número de canales a utilizar para las proyecciones de clave y valor añadidas. Si es `None`, no se utiliza ninguna proyección.

Un modelo Transformer para datos similares a video utilizado en el modelo Wan.

#### forward[[diffusers.WanTransformer3DModel.forward]]

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

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_wan.py#L628)

**Parámetros:**

hidden_states (`torch.Tensor` de forma `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` de entrada.

timestep (`torch.LongTensor`) : Se utiliza para indicar el paso de desruido.

encoder_hidden_states (`torch.Tensor` de forma `(batch_size, sequence_len, embed_dims)`) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

encoder_hidden_states_image (`torch.Tensor`, *opcional*) : Incrustaciones de imagen condicionales para la generación condicionada por imagen.

return_dict (`bool`, *opcional*, valor predeterminado `True`) : Indica si se debe devolver un `~models.transformer_2d.Transformer2DModelOutput` en lugar de una tupla simple.

attention_kwargs (`dict`, *opcional*) : Un diccionario de kwargs que, si se especifica, se pasa al `AttentionProcessor` tal como se define bajo `self.processor` en [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Devuelve:**

Si `return_dict` es True, se devuelve un `~models.transformer_2d.Transformer2DModelOutput`; en caso contrario, se devuelve una `tuple` cuyo primer elemento es el tensor de la muestra.

El método forward de [WanTransformer3DModel](/docs/diffusers/main/es/api/models/wan_transformer_3d#diffusers.WanTransformer3DModel).

## 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)
```

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

**Parámetros:**

sample (`torch.Tensor` de forma `(batch_size, num_channels, height, width)` o `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel) es discreto): las salidas de estados ocultos condicionadas a la entrada `encoder_hidden_states`. Si es discreto, devuelve distribuciones de probabilidad para los píxeles latentes sin ruido.

La salida de [Transformer2DModel](/docs/diffusers/main/es/api/models/transformer2d#diffusers.Transformer2DModel).