# WanAnimate2Transformer3DModel

Un modelo Diffusion Transformer para datos de video 3D utilizado en [Wan-Animate-2](https://github.com/Wan-Video/Wan2.2) por el equipo Wan de Alibaba. Anima una imagen de personaje con el movimiento de un video de referencia mediante un mecanismo de referencia en contexto: cada segmento primero ejecuta una pasada de referencia (`kv_cache_mode="extract"`) que almacena en caché las K/V de referencia de cada capa, y luego las pasadas de desruido (`kv_cache_mode="cached"`) atienden conjuntamente a los tokens de generación y a los tokens de referencia en caché a través de una flex `BlockMask`.

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

```python
from diffusers import WanAnimate2Transformer3DModel

transformer = WanAnimate2Transformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-2-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)
```

## WanAnimate2Transformer3DModel[[diffusers.WanAnimate2Transformer3DModel]]

#### diffusers.WanAnimate2Transformer3DModel[[diffusers.WanAnimate2Transformer3DModel]]

```python
diffusers.WanAnimate2Transformer3DModel(patch_size: tuple = (1, 2, 2), text_len: int = 512, in_dim: int = 36, dim: int = 5120, ffn_dim: int = 13824, freq_dim: int = 256, text_dim: int = 4096, out_dim: int = 16, num_heads: int = 40, num_layers: int = 40, cross_attn_norm: bool = True, eps: float = 1e-06, use_img_emb: bool = True, refer_offset_t: int = 1, refer_offset_h: int = 0, refer_offset_w: int = -1, refer_stride: int = 1)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_wan_animate_2.py#L570)

**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).

text_len (*int*, por defecto *512*) : Longitud fija para las incorporaciones de texto.

in_dim (*int*, por defecto *36*) : El número de canales en la entrada (2 * latent_channels + 4 para el canal de máscara).

dim (*int*, por defecto *5120*) : El número de canales en el transformer.

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

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

text_dim (*int*, por defecto *4096*) : Dimensión de entrada para las incrustaciones de texto.

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

num_heads (*int*, por defecto *40*) : El número de cabezas de atención.

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

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

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

use_img_emb (*bool*, por defecto *True*) : Si se debe usar el incrustado de imagen de CLIP.

refer_offset_t (*int*, por defecto *1*) : Desplazamiento de RoPE para la dimensión temporal de la referencia.

refer_offset_h (*int*, por defecto *0*) : Desplazamiento de RoPE para la dimensión de altura de la referencia.

refer_offset_w (*int*, por defecto *-1*) : Desplazamiento de RoPE para la dimensión de ancho de la referencia. -1 significa usar el tamaño de la cuadrícula de generación.

refer_stride (*int*, por defecto *1*) : Paso para la aplicación de RoPE en la referencia.

Un modelo Transformer para datos tipo video utilizado en el modelo Wan-Animate-2.

Wan-Animate-2 utiliza un mecanismo de atención en contexto con una caché KV: primero se codifica un video de referencia (`kv_cache_mode="extract"`) para poblar una [*WanAnimate2KVCache*], y luego cada paso de desruido (`kv_cache_mode="cached"`) atiende conjuntamente sobre los tokens de generación y los K/V de referencia en caché a través de una `BlockMask` flexible. Por lo tanto, la autoatención de generación se ejecuta únicamente en el backend de atención `flex`; cualquier otra atención en el modelo funciona en cualquier backend.

#### forward[[diffusers.WanAnimate2Transformer3DModel.forward]]

```python
forward(hidden_states: list[torch.Tensor], timestep: Tensor, encoder_hidden_states: list[torch.Tensor], condition_latents: list[torch.Tensor], kv_cache: WanAnimate2KVCache, kv_cache_mode: str, seq_len: int, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, offset_grid_sizes: typing.Optional[torch.Tensor] = None, reference_grid_sizes: typing.Optional[torch.Tensor] = None, origin_len: int | None = None, origin_area: list[int] | None = None, is_uncondtion: bool = False, return_dict: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/transformers/transformer_wan_animate_2.py#L766)

**Parámetros:**

hidden_states (`list[torch.Tensor]`) : Latentes para esta pasada: los latentes de referencia cuando `kv_cache_mode="extract"`, los latentes de generación con ruido cuando `kv_cache_mode="cached"`.

timestep (`torch.Tensor`) : Paso de desruido. Se ignora bajo `kv_cache_mode="extract"`, que utiliza un paso fijo de 1.

encoder_hidden_states (`list[torch.Tensor]`) : Incrustaciones de texto para esta pasada.

condition_latents (`list[torch.Tensor]`) : Latentes de condicionamiento concatenados a `hidden_states` antes del patch embedding.

kv_cache (`WanAnimate2KVCache`) : Escrito bajo `kv_cache_mode="extract"`, leído bajo `"cached"`.

kv_cache_mode (`str`) : `"extract"` ejecuta el paso de referencia y rellena `kv_cache`; `"cached"` ejecuta un paso de desruido contra los tokens de referencia en caché.

seq_len (`int`) : Número de tokens que cada muestra debe contener después del patch embedding.

encoder_hidden_states_image (`torch.Tensor`, *opcional*) : incrustaciones de imagen de CLIP, utilizadas cuando el modelo está configurado con `use_img_emb`.

offset_grid_sizes (`torch.Tensor`, *opcional*) : Cuadrícula de parches de los latentes de referencia, utilizada para resolver cualquier `refer_offset_*` establecido en -1. Obligatorio bajo `kv_cache_mode="extract"`; bajo `"cached"`, `reference_grid_sizes` describe la misma cuadrícula y se utiliza en su lugar.

reference_grid_sizes (`torch.Tensor`, *opcional*) : Cuadrícula de parches de los latentes de referencia, utilizada para las incrustaciones rotacionales de referencia. Obligatorio cuando `kv_cache_mode="cached"`.

origin_len (`int`, *opcional*) : Número de fotogramas del video completo sobre el que se construye la máscara de bloques en contexto. Obligatorio bajo `kv_cache_mode="cached"`.

origin_area (`list[int]`, *opcional*) : Tamaño espacial `[height, width]` del video completo, sobre el cual se construye la máscara de bloques en contexto. Obligatorio bajo `kv_cache_mode="cached"`.

is_uncondtion (`bool`, *opcional*) : Indica si esta es la rama incondicional de la guía de clasificación libre (classifier-free guidance).

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

**Devuelve:** [Transformer2DModelOutput](/docs/diffusers/v0.43.0/es/api/models/cogview3plus_transformer2d#diffusers.models.modeling_outputs.Transformer2DModelOutput) o `tuple(list[torch.Tensor])`

La muestra predicha por latente de entrada, sin parchear; una tupla simple si `return_dict` es `False`.

## 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/v0.43.0/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/v0.43.0/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/v0.43.0/es/api/models/transformer2d#diffusers.Transformer2DModel).