# WanTransformer3DModel

Un modèle Diffusion Transformer pour des données vidéo 3D a été introduit dans [Wan 2.1](https://github.com/Wan-Video/Wan2.1) par l'équipe Alibaba Wan.

Le modèle peut être chargé à l'aide du fragment de code suivant.

```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)
```

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

**Paramètres :**

patch_size (`tuple[int]`, par défaut `(1, 2, 2)`) : dimensions des patches 3D pour l'intégration vidéo (t_patch, h_patch, w_patch).

num_attention_heads (`int`, par défaut `40`) : Longueur fixe pour les embeddings de texte.

attention_head_dim (`int`, par défaut `128`) : Le nombre de canaux dans chaque tête.

in_channels (`int`, par défaut `16`) : Le nombre de canaux dans l'entrée.

out_channels (`int`, par défaut `16`) : Le nombre de canaux dans la sortie.

text_dim (`int`, par défaut `512`) : Dimension d'entrée pour les embeddings de texte.

freq_dim (`int`, par défaut `256`) : Dimension pour les embeddings temporels sinusoïdaux.

ffn_dim (`int`, par défaut `13824`) : Dimension intermédiaire du réseau feed-forward.

num_layers (`int`, par défaut `40`) : Le nombre de blocs de transformeurs à utiliser.

window_size (`tuple[int]`, par défaut `(-1, -1)`) : Taille de la fenêtre pour l'attention locale (-1 indique une attention globale).

cross_attn_norm (`bool`, par défaut `True`) : Active la normalisation de l'attention croisée.

qk_norm (`bool`, par défaut `True`) : Active la normalisation des requêtes/clés.

eps (`float`, par défaut `1e-6`) : Valeur d'épsilon pour les couches de normalisation.

add_img_emb (`bool`, par défaut `False`) : Indique s'il faut utiliser img_emb.

added_kv_proj_dim (`int`, *facultatif*, par défaut `None`) : Le nombre de canaux à utiliser pour les projections de clé et de valeur ajoutées. Si `None`, aucune projection n'est utilisée.

Un modèle Transformer pour des données de type vidéo utilisé dans le modèle 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)
```

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

**Paramètres :**

hidden_states (`torch.Tensor` de forme `(batch_size, num_channels, num_frames, height, width)`) : `hidden_states` d'entrée.

timestep (`torch.LongTensor`) : Utilisé pour indiquer l'étape de débruitage.

encoder_hidden_states (`torch.Tensor` de forme `(batch_size, sequence_len, embed_dims)`) : Embeddings conditionnels (embeddings calculés à partir des conditions d'entrée telles que les prompts) à utiliser.

encoder_hidden_states_image (`torch.Tensor`, *facultatif*) : Incrustations d’images conditionnelles pour la génération conditionnée par image.

return_dict (`bool`, *facultatif*, par défaut `True`) : Indique s'il faut retourner un `~models.transformer_2d.Transformer2DModelOutput` plutôt qu'un simple tuple.

attention_kwargs (`dict`, *facultatif*) : Un dictionnaire de kwargs qui, s'il est spécifié, est transmis à l'`AttentionProcessor` tel que défini sous `self.processor` dans [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py).

**Retourne :**

Si `return_dict` est True, un `~models.transformer_2d.Transformer2DModelOutput` est renvoyé, sinon un `tuple` dont le premier élément est le tenseur d'échantillon.

La méthode forward du [WanTransformer3DModel](/docs/diffusers/main/fr/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)
```

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

**Paramètres :**

sample (`torch.Tensor` de forme `(batch_size, num_channels, height, width)` ou `(batch size, num_vector_embeds - 1, num_latent_pixels)` si [Transformer2DModel](/docs/diffusers/main/fr/api/models/transformer2d#diffusers.Transformer2DModel) est discret) : Les états cachés en sortie, conditionnés par l'entrée `encoder_hidden_states`. Si discret, renvoie les distributions de probabilité pour les pixels latents non bruités.

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