# TransformerTemporalModel

Video benzeri veriler için bir Transformer modeli.

## TransformerTemporalModel[[diffusers.TransformerTemporalModel]]

#### diffusers.TransformerTemporalModel[[diffusers.TransformerTemporalModel]]

```python
diffusers.TransformerTemporalModel(num_attention_heads: int = 16, attention_head_dim: int = 88, in_channels: int | None = None, out_channels: int | None = None, num_layers: int = 1, dropout: float = 0.0, norm_num_groups: int = 32, cross_attention_dim: int | None = None, attention_bias: bool = False, sample_size: int | None = None, activation_fn: str = 'geglu', norm_elementwise_affine: bool = True, double_self_attention: bool = True, positional_embeddings: str | None = None, num_positional_embeddings: int | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_temporal.py#L41)

**Parametreler:**

num_attention_heads (`int`, *isteğe bağlı*, varsayılan 16) : Çok başlı dikkat için kullanılacak baş sayısı.

attention_head_dim (`int`, *isteğe bağlı*, varsayılan 88) : Her baştaki kanal sayısı.

in_channels (`int`, *isteğe bağlı*) : Giriş ve çıkıştaki kanal sayısı (giriş **sürekli** ise belirtin).

num_layers (`int`, *isteğe bağlı*, varsayılan 1) : Kullanılacak Transformer bloğu katman sayısı.

dropout (`float`, *opsiyonel*, varsayılan 0.0) : Kullanılacak dropout olasılığı.

cross_attention_dim (`int`, *isteğe bağlı*) : Kullanılacak `encoder_hidden_states` boyutlarının sayısı.

attention_bias (`bool`, *isteğe bağlı*) : `TransformerBlock` dikkatinin bir bias parametresi içermesini yapılandırır.

sample_size (`int`, *isteğe bağlı*) : Gizli görüntülerin genişliği (girdi **ayrık** ise belirtin). Bu, konum gömme sayısını öğrenmek için kullanıldığından eğitim sırasında sabittir.

activation_fn (`str`, *isteğe bağlı*, varsayılan `"geglu"`) : Feed-forward'de kullanılacak aktivasyon fonksiyonu. Desteklenen aktivasyon fonksiyonları için `diffusers.models.activations.get_activation` adresine bakın.

norm_elementwise_affine (`bool`, *isteğe bağlı*) : `TransformerBlock`'ün normalizasyon için öğrenilebilir eleman bazlı afin parametreler kullanıp kullanmayacağını yapılandırır.

double_self_attention (`bool`, *isteğe bağlı*) : Her `TransformerBlock`'ün iki öz-dikkat katmanı içermesi yapılandırılır.

positional_embeddings : (`str`, *isteğe bağlı*): Kullanıma geçmeden önce dizi girdisine uygulanacak konumsal gömme türü.

num_positional_embeddings : (`int`, *isteğe bağlı*): Pozisyonel gömme uygulamak için kullanılan dizinin maksimum uzunluğu.

Video benzeri veriler için bir Transformer modeli.

#### forward[[diffusers.TransformerTemporalModel.forward]]

```python
forward(hidden_states: Tensor, encoder_hidden_states: typing.Optional[torch.LongTensor] = None, timestep: typing.Optional[torch.LongTensor] = None, class_labels: LongTensor = None, num_frames: int = 1, cross_attention_kwargs: dict[str, typing.Any] | None = None, return_dict: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_temporal.py#L123)

**Parametreler:**

hidden_states (`torch.LongTensor`, ayrık ise `(batch size, num latent pixels)` boyutunda, `torch.Tensor`, sürekli ise `(batch size, channel, height, width)` boyutunda) : Girdi hidden_states.

encoder_hidden_states ( `torch.LongTensor`, şekli `(batch size, encoder_hidden_states dim)`, *isteğe bağlı*) : Çapraz dikkat katmanı için koşullu gömme (embedding) değerleri. Verilmezse, çapraz dikkat varsayılan olarak kendine dikkat (self-attention) olarak çalışır.

timestep ( `torch.LongTensor`, *isteğe bağlı*) : Gürültü azaltma adımını belirtmek için kullanılır. `AdaLayerNorm` içinde gömme olarak uygulanacak isteğe bağlı zaman adımı.

class_labels ( `torch.LongTensor`, şekli `(batch size, num classes)`, *isteğe bağlı*) : Sınıf etiketi koşullandırmasını belirtmek için kullanılır. `AdaLayerZeroNorm` içinde gömme olarak uygulanacak isteğe bağlı sınıf etiketleri.

num_frames (`int`, *isteğe bağlı*, varsayılan 1) : Her partide işlenecek kare sayısı. Bu, gizli durumların yeniden şekillendirilmesinde kullanılır.

cross_attention_kwargs (`dict`, *isteğe bağlı*) : Belirtilirse, [diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) içinde `self.processor` altında tanımlanan `AttentionProcessor`'a iletilen bir kwargs sözlüğü.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine [TransformerTemporalModelOutput](/docs/diffusers/main/tr/api/models/transformer_temporal#diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput) döndürülecek mi?

**Dönüş:** [TransformerTemporalModelOutput](/docs/diffusers/main/tr/api/models/transformer_temporal#diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput) veya `tuple`

`return_dict` True ise, [TransformerTemporalModelOutput](/docs/diffusers/main/tr/api/models/transformer_temporal#diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput) döndürülür; aksi halde ilk öğesi örnek tensörü olan bir `tuple` döndürülür.

`TransformerTemporal` ileri yöntemi.

## TransformerTemporalModelOutput[[diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput]]

#### diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput[[diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput]]

```python
diffusers.models.transformers.transformer_temporal.TransformerTemporalModelOutput(sample: Tensor)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_temporal.py#L29)

**Parametreler:**

sample (`torch.Tensor`, şekli `(batch_size x num_frames, num_channels, height, width)`) : `encoder_hidden_states` girdisine koşullu gizli durum çıktısı.

[TransformerTemporalModel](/docs/diffusers/main/tr/api/models/transformer_temporal#diffusers.TransformerTemporalModel)'ün çıktısı.