Diffusers documentation
HunyuanVideoTransformer3DModel
HunyuanVideoTransformer3DModel
Tencent による HunyuanVideo: A Systematic Framework For Large Video Generative Models で、3D ビデオ類似データ向けの Diffusion Transformer モデルが紹介されました。
モデルは、以下のコードスニペットで読み込むことができます。
from diffusers import HunyuanVideoTransformer3DModel
transformer = HunyuanVideoTransformer3DModel.from_pretrained("hunyuanvideo-community/HunyuanVideo", subfolder="transformer", dtype=torch.bfloat16)HunyuanVideoTransformer3DModel
class diffusers.HunyuanVideoTransformer3DModel
< source >( in_channels: int = 16out_channels: int = 16num_attention_heads: int = 24attention_head_dim: int = 128num_layers: int = 20num_single_layers: int = 40num_refiner_layers: int = 2mlp_ratio: float = 4.0patch_size: int = 2patch_size_t: int = 1qk_norm: str = 'rms_norm'guidance_embeds: bool = Truetext_embed_dim: int = 4096pooled_projection_dim: int = 768rope_theta: float = 256.0rope_axes_dim: tuple = (16, 56, 56)image_condition_type: str | None = None )
パラメータ
- in_channels (
int, デフォルトは16) — 入力におけるチャネル数。 - out_channels (
int、デフォルトは16) — 出力のチャネル数です。 - num_attention_heads (
int、デフォルトは24) — マルチヘッドアテンションで使用するヘッドの数です。 - attention_head_dim (
int、デフォルトは128) — 各ヘッドのチャネル数です。 - num_layers (
int、デフォルトは20) — 使用するdual-streamブロックの層数です。 - num_single_layers (
int, デフォルトは40) — 使用する単一ストリームブロックの層数です。 - num_refiner_layers (
int、デフォルトは2) — 使用する refiner ブロックの層数です。 - mlp_ratio (
float、デフォルト値は4.0) — フィードフォワードネットワークにおける隠れ層サイズと入力サイズの比率です。 - patch_size (
int、デフォルトは2) — パッチ埋め込み層で使用する空間パッチのサイズです。 - patch_size_t (
int, デフォルトは1) — パッチ埋め込み層で使用する時間パッチのサイズです。 - qk_norm (
str、デフォルトはrms_norm) — アテンション層におけるクエリとキーの射影に使用する正規化手法です。 - guidance_embeds (
bool、デフォルトはTrue) — モデルでガイダンス埋め込みを使用するかどうか。 - text_embed_dim (
int、デフォルトは4096) — テキストエンコーダーからのテキスト埋め込みの入力次元数。 - pooled_projection_dim (
int, デフォルトは768) — テキスト埋め込みのプーリング投影の次元数です。 - rope_theta (
float、デフォルト値は256.0) — RoPE レイヤーで使用する theta の値です。 - rope_axes_dim (
tuple[int]、デフォルトは(16, 56, 56)) — RoPE レイヤーで使用する軸の次元です。 - image_condition_type (
str、任意、デフォルトはNone) — 使用する画像条件付けの種類です。Noneの場合は、画像条件付けは使用されません。latent_concatの場合は、画像が潜在ストリームに連結されます。token_replaceの場合は、画像を使用して潜在ストリームの先頭フレームのトークンを置き換え、条件付けを適用します。
HunyuanVideoで使用される、動画のようなデータ向けのTransformerモデル。
forward
< source >( hidden_states: Tensortimestep: LongTensorencoder_hidden_states: Tensorencoder_attention_mask: Tensorpooled_projections: Tensorguidance: Tensor = Noneattention_kwargs: dict[str, typing.Any] | None = Nonereturn_dict: bool = True )
パラメータ
- hidden_states (
torch.Tensor、形状(batch_size, num_channels, num_frames, height, width)) — 入力となるhidden_states。 - timestep (
torch.LongTensor) — デノイジングステップを示すために使用されます。 - encoder_hidden_states (
torch.Tensor、形状(batch_size, sequence_len, embed_dims)) — 使用する条件埋め込み（プロンプトなどの入力条件から計算される埋め込み）。 - encoder_attention_mask (
torch.Tensor) — アテンション時にencoder_hidden_statesに適用されるマスク。 - pooled_projections（
torch.Tensor、形状(batch_size, projection_dim)）— 入力条件の埋め込みから射影された埋め込みです。 - guidance (
torch.Tensor、任意) — モデルのガイダンス蒸留版で使用するガイダンススケール埋め込み。 - attention_kwargs (
dict, 省略可) — 指定された場合、diffusers.models.attention_processor で定義されているself.processor内のAttentionProcessorに渡される kwargs 辞書です。 - return_dict (
bool、任意、デフォルトはTrue) — プレーンなタプルではなく~models.transformer_2d.Transformer2DModelOutputを返すかどうか。
HunyuanVideoTransformer3DModel の forward メソッドです。
Transformer2DModelOutput
クラス diffusers.models.modeling_outputs.Transformer2DModelOutput
< source >( sample: torch.Tensor )
パラメータ
- sample (
torch.Tensor、形状(batch_size, num_channels, height, width)、または Transformer2DModel が離散型の場合(batch size, num_vector_embeds - 1, num_latent_pixels)) —encoder_hidden_states入力を条件とする隠れ状態の出力です。離散型の場合、ノイズ除去されていない潜在ピクセルの確率分布を返します。
Transformer2DModelの出力です。