# EasyAnimateTransformer3DModel

Un modelo Diffusion Transformer para datos 3D de [EasyAnimate](https://github.com/aigc-apps/EasyAnimate) fue introducido por Alibaba PAI.

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

```python
from diffusers import EasyAnimateTransformer3DModel

transformer = EasyAnimateTransformer3DModel.from_pretrained("alibaba-pai/EasyAnimateV5.1-12b-zh", subfolder="transformer", dtype=torch.float16).to("cuda")  # or "mps", "xpu", "cpu"
```

## EasyAnimateTransformer3DModel[[diffusers.EasyAnimateTransformer3DModel]]

#### diffusers.EasyAnimateTransformer3DModel[[diffusers.EasyAnimateTransformer3DModel]]

```python
diffusers.EasyAnimateTransformer3DModel(num_attention_heads: int = 48, attention_head_dim: int = 64, in_channels: int | None = None, out_channels: int | None = None, patch_size: int | None = None, sample_width: int = 90, sample_height: int = 60, activation_fn: str = 'gelu-approximate', timestep_activation_fn: str = 'silu', freq_shift: int = 0, num_layers: int = 48, mmdit_layers: int = 48, dropout: float = 0.0, time_embed_dim: int = 512, add_norm_text_encoder: bool = False, text_embed_dim: int = 3584, text_embed_dim_t5: int = None, norm_eps: float = 1e-05, norm_elementwise_affine: bool = True, flip_sin_to_cos: bool = True, time_position_encoding_type: str = '3d_rope', after_norm = False, resize_inpaint_mask_directly: bool = True, enable_text_attention_mask: bool = True, add_noise_in_inpaint_model: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_easyanimate.py#L316)

**Parámetros:**

num_attention_heads (`int`, por defecto `48`) : El número de cabezas a utilizar para la atención multi-cabeza.

attention_head_dim (`int`, por defecto `64`) : El número de canales en cada cabeza.

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

out_channels (`int`, *opcional*, valor predeterminado `16`) : El número de canales en la salida.

patch_size (`int`, por defecto `2`) : El tamaño de los parches a utilizar en la capa de incrustación de parches.

sample_width (`int`, por defecto `90`) : El ancho de los latentes de entrada.

sample_height (`int`, por defecto `60`) : La altura de los latentes de entrada.

activation_fn (`str`, por defecto `"gelu-approximate"`) : Función de activación a utilizar en la red feed-forward.

timestep_activation_fn (`str`, por defecto `"silu"`) : Función de activación a utilizar al generar las incrustaciones de paso temporal.

num_layers (`int`, por defecto `30`) : El número de bloques de Transformer a utilizar.

mmdit_layers (`int`, por defecto `1000`) : El número de bloques Multi Modal Transformer a utilizar.

dropout (`float`, por defecto `0.0`) : La probabilidad de dropout a utilizar.

time_embed_dim (`int`, por defecto `512`) : Dimensión de salida de las incrustaciones de paso de tiempo.

text_embed_dim (`int`, por defecto `4096`) : Dimensión de entrada de las incrustaciones de texto del codificador de texto.

norm_eps (`float`, por defecto `1e-5`) : El valor de epsilon a utilizar en las capas de normalización.

norm_elementwise_affine (`bool`, por defecto `True`) : Si se debe usar afinidad elementwise en las capas de normalización.

flip_sin_to_cos (`bool`, por defecto `True`) : Si se debe cambiar el sin por el cos en la incrustación temporal.

time_position_encoding_type (`str`, por defecto `3d_rope`) : Tipo de codificación de posición temporal.

after_norm (`bool`, por defecto `False`) : Bandera para aplicar la normalización después.

resize_inpaint_mask_directly (`bool`, por defecto `True`) : Bandera para redimensionar directamente la máscara de inpaint.

enable_text_attention_mask (`bool`, por defecto `True`) : Bandera para habilitar la máscara de atención de texto.

add_noise_in_inpaint_model (`bool`, por defecto `False`) : Bandera para añadir ruido en el modelo de inpaint.

Un modelo Transformer para datos tipo video en [EasyAnimate](https://github.com/aigc-apps/EasyAnimate).

#### forward[[diffusers.EasyAnimateTransformer3DModel.forward]]

```python
forward(hidden_states: Tensor, timestep: Tensor, timestep_cond: typing.Optional[torch.Tensor] = None, encoder_hidden_states: typing.Optional[torch.Tensor] = None, encoder_hidden_states_t5: typing.Optional[torch.Tensor] = None, inpaint_latents: typing.Optional[torch.Tensor] = None, control_latents: typing.Optional[torch.Tensor] = None, return_dict: bool = True)
```

[Fuente](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/transformers/transformer_easyanimate.py#L461)

**Parámetros:**

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

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

timestep_cond (`torch.Tensor`, *opcional*) : Incrustaciones condicionales para el paso de tiempo. Si se proporcionan, las incrustaciones se sumarán con las muestras que pasan por la capa `self.time_embedding` para obtener las incrustaciones finales del paso de tiempo.

encoder_hidden_states (`torch.Tensor`, *opcional*) : Embeddings condicionales (embeddings calculados a partir de las condiciones de entrada, como los prompts) a utilizar.

encoder_hidden_states_t5 (`torch.Tensor`, *opcional*) : Incrustaciones condicionales adicionales calculadas desde un codificador de texto T5.

inpaint_latents (`torch.Tensor`, *opcional*) : Latentes concatenados a `hidden_states` para las variantes de inpainting del modelo.

control_latents (`torch.Tensor`, *opcional*) : Latentes concatenados a `hidden_states` para las variantes de control del modelo.

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

**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 [EasyAnimateTransformer3DModel](/docs/diffusers/main/es/api/models/easyanimate_transformer3d#diffusers.EasyAnimateTransformer3DModel).

## 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).